MACHINE LEARNING BÁSICO
MACHINE LEARNING BÁSICO

Horario: martes y miércoles de 18.30 a 21.30
Comienzo: martes 21 de enero
Fechas: 21, 22, 28 y 29 de enero
Horas: 12 en cuatro clases de tres horas
Lugar: sede Lima del Centro de Graduados FIUBA - Lima e Hipólito Yrigoyen - CABA

HIPÓLITO YRIGOYEN 1144 - PRIMER PISO - OFICINA 3

Arancel: $4.900

TRAETE TU NOTEBOOK PARA CODEAR

La Inteligencia Artificial y, en particular, el Machine Learning, es un paradigma que está afectando progresivamente a nuestra sociedad, en especial en lo que respecta al tratamiento de un conjunto creciente de información que comienza a estar disponible por la digitalización. Aparecen nuevos desafíos y problemas, que no pueden ser resueltos por los métodos tradicionales de la matemática y su resolución comienza a moverse hacia nuevos rumbos, de la mano de la estadística y del creciente poder de los procesadores digitales.
Surge así el concepto de Data Science. Como resultado, se crean algoritmos como si fuesen las nuevas máquinas, ya no de vapor, sino de datos, de la revolución actual.

En este curso aprenderás a:

Entender el tipo de problemas que se resuelven con Inteligencia Artificial.
Interpretar conceptos necesarios de estadística para abordar problemas.
Conocer los principales tipos de algoritmos que se usan en Machine Learning
Reconocer los tipos de condicionamiento previo de datos necesarios para Machine Learning.
Trabajar en Inteligencia Artificial y Machine Learning con Python, Anaconda, Jupyter Notebook y las librerías de Machine Learning.
Conocer el flujo de trabajo de Inteligencia Artificial usando Machine Learning.

Sin requisitos previos.

Este curso está orientado a todos aquellos que quieran tener a la oportunidad de ser protagonistas de la Revolución de la Inteligencia Artificial que promete cambiar, una vez más, el rumbo de la historia laboral de la humanidad.

1 Bases de la IA

Los datos y sus estadísticas
Datos faltantes
Valores categóricos
Normalización
¿Qué es la Inteligencia Artificial?
¿Qué es Machine Learning?
Flujo de trabajo de Machine Learning: Preparación de los datos, representación

Aprendizaje supervisado y no supervisado
Aprendizaje reforzado
Algoritmos de clasificación y de regresión
Algoritmos de clustering
Tipos de tareas
Tipos de modelos
Evaluación de resultados
Criterios de elección de los algoritmos

2 APRENDIZAJE SUPERVISADO: ALGORITMOS DE REGRESIÓN

Modelos de regresión
Regresión lineal
Regresión polinómica
Support Vector Regression
Árboles de regresión
Random forest
Variables dummy
Métodos para construir un modelo

3 APRENDIZAJE SUPERVISADO: ALGORITMOS DE CLASIFICACIÓN

Principales algoritmos:
Regresión Logística
Árboles de decisión
Naïve Bayes
K Nearest Neighbors (kNN)
Support Vector Classifier
Ensambles (combinación de algoritmos)
Teorema de Bayes

4 APRENDIZAJE NO SUPERVISADO: ALGORITMOS DE CLUSTERING

Clustering con K-Means
Clustering Jerárquico

5 Introducción a NLP: Natural Languaje Processing
Email address *
Apellido *
Your answer
Nombres *
Your answer
Celular (Solo números) *
Your answer
¿Es Graduado FIUBA? *
¿Te interesa participar en la cooperativa de trabajo?
Otra casilla de correo
Your answer
Teléfono Particular
Your answer
Carrera - Facultad - Universidad (En curso SI/NO)
Your answer
Año de Graduación
Your answer
Institución Relacionada
Your answer
Posición que ocupa
Your answer
Comentarios y Sugerencias
Your answer
Submit
Never submit passwords through Google Forms.
This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy