Ir al contenido principal

URosarioX: 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
4 semanas
4–6 horas por semana
A tu ritmo
Avanza a tu ritmo
Gratis
Verificación opcional disponible

Hay una sesión disponible:

Una vez finalizada la sesión del curso, será archivadoAbre en una pestaña nueva.
Comienza el 18 abr
Termina el 15 may
Inscríbete
Introducción a Machine Learning

Sobre este curso

Omitir Sobre este curso

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.

De un vistazo

  • Institution URosarioX
  • Subject Ingeniería
  • Level Introductory
  • Prerequisites

    Conocimiento en álgebra lineal

  • Language Español
  • Video Transcript Español
  • Associated skillsMachine Learning, Dimensionality Reduction, Logistic Regression, Unsupervised Learning, Linear Model, Artificial Neural Networks, Multivariate Linear Regression

Lo que aprenderás

Omitir Lo que aprenderás
  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.

Plan de estudios

Omitir Plan de estudios

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

Testimonios de los estudiantes

Omitir Testimonios de los estudiantes

¿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.

¿Quién puede hacer este curso?

Lamentablemente, las personas residentes en uno o más de los siguientes países o regiones no podrán registrarse para este curso: Irán, Cuba y la región de Crimea en Ucrania. Si bien edX consiguió licencias de la Oficina de Control de Activos Extranjeros de los EE. UU. (U.S. Office of Foreign Assets Control, OFAC) para ofrecer nuestros cursos a personas en estos países y regiones, las licencias que hemos recibido no son lo suficientemente amplias como para permitirnos dictar este curso en todas las ubicaciones. edX lamenta profundamente que las sanciones estadounidenses impidan que ofrezcamos todos nuestros cursos a cualquier persona, sin importar dónde viva.

Formas de realizar este curso

Elige tu camino al inscribirte.

Verified Track

Audit Track

Costo

49 US$

Free

Acceso a los materiales del curso

Ilimitado

Limitado

Caduca el 16 may

World class institutions and universities

Asistencia de edX

Certificado para compartir al finalizar

Tareas con calificación y exámenes

Visita la sección de Preguntas frecuentesen una pestaña nueva con preguntas frecuentes sobre estas modalidades.

¿Te interesa este curso para tu negocio o equipo?

Capacita a tus empleados en los temas más solicitados con edX para Negocios.
ComprarSolicitar información