Skip to main content

Introducción a Machine Learning

Conoce los conceptos básicos del aprendizaje automático de máquinas, usando un acercamiento algebraico. Aborda problemas de regresión, clasificación y agrupamiento, desde modelos lineales hasta modelos no-lineales utilizando redes neuronales artificiales.

...
Introducción a Machine Learning

There is one session available:

54 already enrolled!
After a course session ends, it will be archivedOpens in a new tab.
Starts Jun 24

Introducción a Machine Learning

Conoce los conceptos básicos del aprendizaje automático de máquinas, usando un acercamiento algebraico. Aborda problemas de regresión, clasificación y agrupamiento, desde modelos lineales hasta modelos no-lineales utilizando redes neuronales artificiales.

Introducción a Machine Learning
Estimated 4 weeks
4–6 hours per week
Self-paced
Progress at your own speed
Free
Optional upgrade available

There is one session available:

After a course session ends, it will be archivedOpens in a new tab.
Starts Jun 24

About this course

Skip About this course

En este curso abordaremos el aprendizaje automático de máquinas desde una perspectiva algebraica. Se abordarán cuatro temas, el primero de ellos será una introducción a los modelos de regresión y clasificación lineal, comenzando por la regresión lineal multivariada, sus aplicaciones y cómo evitar el sobre-ajuste utilizando regularización. Luego de esto introduciremos la regresión logística como uno de los métodos de clasificación más relevantes.

La regresión logística nos permitirá realizar una conexión con la formulación de la arquitectura de una red neuronal artificial, ya que la neurona logística, la cual puede interpretarse como la unidad básica para el desarrollo de modelos de clasificación con redes neuronales, es el equivalente a una regresión logística.

El tercer tema se enfoca en el estudio de diferentes metodologías utilizadas para el correcto entrenamiento de redes neuronales, tanto para regresión como clasificación, así mismo se introducirán algunos métodos utilizados para identificar los modelos que tienen el mejor rendimiento.

Finalmente, se describirán diferentes métodos para el aprendizaje no supervisado. Específicamente se abordará PCA para la reducción de dimensionalidad y k-means para el desarrollo de modelos de agrupamiento. También se describirán algunas técnicas utilizadas para poder evaluar el rendimiento de estos modelos. Además, el curso abordará el uso de redes neuronales para el desarrollo de modelos de aprendizaje no supervisado, específicamente se explicarán las Redes de Hopfield que permiten el almacenamiento de patrones en la arquitectura de su red, mediante el uso de memoria asociativa; y los mapas autoorganizados o redes de Kohonen que permite identificar estructuras en los datos de entrenamiento y que pueden utilizarse para la reducción de dimensionalidad.

At a glance

  • Institution: URosarioX
  • Subject: Engineering
  • Level: Introductory
  • Prerequisites:

    Conocimiento en álgebra lineal

  • Language: Español
  • Video Transcript: Español

What you'll learn

Skip What you'll learn
  1. Definir las diferencias entre aprendizaje supervisado y no supervisado.
  2. Describir lo que es un problema de regresión, sus principales características y sus aplicaciones.
  3. Describir lo que es un problema de clasificación, sus principales características y sus aplicaciones.
  4. Describir el origen de las redes neuronales artificiales y su desarrollo histórico.
  5. Explicar la arquitectura y el funcionamiento de la estructura de una red neuronal artificial feedforward.
  6. Implementar problemas de regresión y clasificación utilizando redes neuronales artificiales.
  7. Identificar el procedimiento adecuado para el entrenamiento de modelos utilizando redes neuronales artificiales, y algunos métodos existentes para identificar los modelos que tengan el mejor rendimiento.
  8. Identificar diferentes metodologías para el desarrollo de modelos de aprendizaje no supervisado.

Módulo 1. Regresión lineal y regresión logística

● Inteligencia artificial

● Regresión lineal

● Regresión logística

Módulo 2. Redes neuronales artificiales (RNA)

● La neurona de McCullock-Pitts

● El perceptrón

● Redes neuronales

Módulo 3. Selección y evaluación de modelos

● Entrenamiento de redes neuronales (RN)

● Evaluación de modelos

● Aspectos clave para el entrenamiento de RN

Módulo 4. Aprendizaje no supervisado

● Métodos de agrupamiento

Learner testimonials

Skip Learner testimonials

¿A quién está dirigido el curso?

Este curso está abierto a cualquier persona que esté interesada en aprender las bases sobre aprendizaje automático de máquinas.

¿Qué conocimientos previos necesito para cursar este MOOC?

Es deseable que se tengan conocimientos de álgebra lineal y cálculo diferencial.

¿Debo tener alguna formación específica para realizar el curso?

No es necesario una formación específica, pero sí se recomienda que se tengan bases sólidas en cálculo diferencial y álgebra lineal.

¿Este es un curso de programación en algún lenguaje específico?

No, el curso se centrará en el desarrollo de conocimientos teóricos, y en caso de aplicarlo puede utilizarse Python. Sin embargo, tenga en cuenta que el curso tiene un enfoque más teórico que práctico. Solamente en dos de las sesiones se explicará cómo implementar modelos de clasificación y regresión utilizando Python.

¿Se requiere algún programa específico para realizar el curso?

No, pero si desea aplicar los conocimientos adquiridos se recomienda utilizar Python.

About the instructors

Who can take this course?

Unfortunately, learners residing in one or more of the following countries or regions will not be able to register for this course: Iran, Cuba and the Crimea region of Ukraine. While edX has sought licenses from the U.S. Office of Foreign Assets Control (OFAC) to offer our courses to learners in these countries and regions, the licenses we have received are not broad enough to allow us to offer this course in all locations. edX truly regrets that U.S. sanctions prevent us from offering all of our courses to everyone, no matter where they live.

Interested in this course for your business or team?

Train your employees in the most in-demand topics, with edX for Business.