走进机器学习 – 西班牙语版

课程概况

A partir de una historia del aprendizaje automático, analizamos por qué las redes neuronales, en la actualidad, ofrecen un alto rendimiento ante una variedad de problemas. Luego, analizaremos cómo configurar un problema de aprendizaje supervisado y encontrar una solución adecuada mediante el descenso de gradientes. Esto incluye crear conjuntos de datos que permitan la generalización; hablaremos sobre los métodos para hacerlo de una manera repetible que admita la experimentación.

Objetivos del curso:
Identificar por qué el aprendizaje profundo es popular en la actualidad
Optimizar y evaluar los modelos mediante las funciones de pérdida y las métricas de rendimiento
Mitigar los problemas comunes que surgen en el aprendizaje automático
Crear conjuntos de datos de entrenamiento, evaluación y prueba, repetibles y escalables

课程大纲

Introducción

En este curso, obtendrá conocimientos fundamentales sobre el AA que le brindarán una comprensión más clara de la terminología que usamos durante la especialización. También conocerá sugerencias prácticas y resolverá problemas comunes de los especialistas en AA de Google, de manera que cuando termine el curso cuente con el código y el conocimiento suficientes para poner en marcha sus propios modelos de AA.

AA en la práctica

En este módulo, presentaremos algunos de los principales tipos de aprendizaje automático y repasaremos la historia del AA hasta la situación actual con el fin de acelerar su crecimiento como especialista en el tema.

Optimización

En este módulo, explicaremos cómo optimizar sus modelos de AA.

Generalización y muestreo

Ahora debemos hacernos una pregunta un tanto extraña: ¿Cuándo es mejor no elegir el modelo de AA más preciso? Como mencionamos en el módulo anterior sobre optimización, el hecho de que un modelo tenga una métrica de pérdida de 0 con el conjunto de datos de entrenamiento no implica necesariamente que dé buenos resultados con datos nuevos en un caso práctico real.

Resumen