François Chung, Ph.D.

Tag: aprendizaje supervisado

Aprendizaje profundo y TensorFlow

Aprendizaje profundo y TensorFlow

Formación Cognitive Class, MOOC (2020). Esta ruta de aprendizaje presenta los conceptos básicos de aprendizaje profundo y TensorFlow con experiencia práctica en la resolución de problemas. Durante toda la formación, TensorFlow se utiliza en el ajuste de curvas, la regresión, la clasificación y la minimización de funciones de error. Luego, este concepto se explora en el mundo del aprendizaje profundo, donde TensorFlow se aplica para la propagación hacia atrás para ajustar los pesos y los sesgos.

Curso 1: Fundamentos del aprendizaje profundo

Temas principales:

  • Introducción al aprendizaje profundo;
  • Modelos de aprendizaje profundo;
  • Modelos adicionales de aprendizaje profundo;
  • Bibliotecas y plataformas de aprendizaje profundo.

Curso 2: Aprendizaje profundo con TensorFlow

Temas principales:

  • Introducción a TensorFlow;
  • CNN - Red neuronal convolucional;
  • RNN - Red neuronal recurrente;
  • Aprendizaje sin supervisión.

Referencias

Formación

Deep learning fundamentals (Fundamentos del aprendizaje profundo, certificado del curso)
Deep Learning Essentials (insignia de certificación)
Deep learning with TensorFlow (Aprendizaje profundo con TensorFlow, certificado del curso)
Deep Learning using TensorFlow (insignia de certificación)

Artículos relacionados

Más información

Google Cloud big data y aprendizaje automático

Google Cloud: big data y aprendizaje automático

Formación Coursera, MOOC (2020). Esta formación en línea presenta las capacidades de big data y aprendizaje automático (ML) de Google Cloud Platform (CGP). Mediante una combinación de presentaciones, demostraciones y laboratorios prácticos, la formación brinda una descripción general de Google Cloud y una vista detallada de las soluciones de procesamiento de datos y de ML, como BigQuery, Cloud SQL, Dataproc, Pub/Sub, Dataflow y Data Studio.

Semana 1: Big data y fundamentos de ML

Temas principales:

  • Explorar un conjunto de datos públicos BigQuery;
  • Elegir el enfoque de solución adecuado;
  • Recomendar productos con Cloud SQL y Spark;
  • Predecir las compras de visitantes con BigQuery ML.

Semana 2: Desafíos de la canalización de datos moderna

Temas principales:

  • Paneles de control IoT en tiempo real;
  • Crear una canalización de datos de transmisión;
  • ML en conjuntos de datos no estructurados;
  • Clasificación de imágenes con modelos ML prediseñados.

Referencias

Formación

Artículos relacionados

Más información

Fundamentos de Spark

Fundamentos de Spark

Formación Cognitive Class, MOOC (2020). Esta ruta de aprendizaje aborda los fundamentos de Apache Spark, un motor de código abierto para el procesamiento de datos a gran escala que está revolucionando el mundo de la analítica y del big data. Esta formación es una oportunidad para aprender de los líderes de la industria sobre Spark, que se basa en la velocidad, la facilidad de uso y el análisis, y brinda oportunidades y proyectos prácticos para generar confianza con el conjunto de herramientas de Spark.

Curso 1: Fundamentos de Spark I

Temas principales:

  • Introducción a Spark;
  • Resilient Distributed Dataset (RDD) y DataFrames;
  • Programación de aplicaciones Spark;
  • Introducción a las bibliotecas de Spark;
  • Configuración, seguimiento y puesta a punto de Spark.

Curso 2: Fundamentos de Spark II

Temas principales:

  • Introducción a los notebooks;
  • Arquitectura RDD;
  • Optimización de transformaciones y acciones;
  • Caché y serialización;
  • Desarrollo y pruebas.

Curso 3: Spark MLlib

Temas principales:

  • Tipos de datos Spark MLlib;
  • Revisión de algoritmos;
  • Árboles de decisión y bosques aleatorios;
  • Agrupamiento Spark MLlib.

Curso 4: Exploración de GraphX

Temas principales:

  • Introducción a Graph-Parallel;
  • Exploración de los operadores de gráficos;
  • Visualización y modificación de GraphX;
  • Agregación y almacenamiento en caché.

Curso 5: Big data en R con Spark

Temas principales:

  • Introducción a SparkR;
  • Manipulación de datos con SparkR;
  • Aprendizaje automático con SparkR.

Referencias

Formación

Spark fundamentals I (Fundamentos de Spark I, certificado del curso)
Spark – Level 1 (insignia de certificación)
Spark fundamentals II (Fundamentos de Spark II, certificado del curso)
Spark MLlib (certificado del curso)
Exploring GraphX (Exploración de GraphX, certificado del curso)
Big data in R using Spark (Big data en R con Spark, certificado del curso)
Spark - Level 2 (insignia de certificación)

Artículos relacionados

Fundamentos de Hadoop (formación Cognitive Class)
Especialización en ciencia de datos (formación Coursera)

Más información

Azure: fundamentos, aprendizaje automático y Power BI

Azure: fundamentos, aprendizaje automático y Power BI

Formación Microsoft Docs, MOOC (2020). Estos 3 cursos en línea presentan Microsoft Azure y Power BI. La formación enseña los conceptos básicos de la nube, junto con ejercicios prácticos, y brinda una descripción general de los servicios de Azure, como Azure Machine Learning (ML), que es una plataforma en la nube para entrenar, desplegar, gestionar y monitorear modelos ML. Además, la formación explica cómo utilizar Power BI y crear informes de inteligencia empresarial.

Curso 1: Fundamentos de Azure

Temas principales:

  • Principios de la computación en la nube;
  • Arquitectura de Azure y garantías de servicio;
  • Computación, almacenamiento de datos y redes;
  • Seguridad, responsabilidad y confianza;
  • Estándares de infraestructura con Azure Policy;
  • Recursos de Azure con Azure Resource Manager.

Curso 2: Aprendizaje automático de Azure

Temas principales:

  • Trabajar con datos;
  • Orquestar ML con pipelines;
  • Implementar modelos ML;
  • Automatizar la selección del modelo;
  • Ajustar hiperparámetros;
  • Monitorear modelos y la deriva de datos.

Curso 3: Power BI

Temas principales:

  • Empezar a crear con Power BI;
  • Obtener datos con Power BI Desktop;
  • Modelar y explorar datos;
  • Utilizar elementos visuales, publicar y compartir.

Referencias

Formación

Microsoft Docs (insignias y trofeos)

Artículos relacionados

Más información

Microsoft Docs (Fundamentos de Azure)
Microsoft Docs (Aprendizaje automático de Azure)
Microsoft Docs (Power BI)

Especialización en ciencia de datos

Especialización en ciencia de datos

Formación Coursera, MOOC (2020). Esta especialización cubre los conceptos y herramientas necesarios para la ciencia de datos, desde formular las preguntas correctas hasta hacer inferencias y publicar resultados. Los temas cubiertos incluyen el uso de R para limpiar, analizar y visualizar datos, usar GitHub para administrar proyectos de ciencia de datos y realizar análisis de regresión, mínimos cuadrados e inferencia usando modelos de regresión.

Curso 1: Caja de herramientas del científico de datos

Temas principales:

  • Fundamentos de la ciencia de datos;
  • R y Rstudio;
  • Control de versiones y GitHub;
  • R Markdown, pensamiento científico y big data.

Curso 2: Programación R

Temas principales:

  • Antecedentes y puesta en marcha;
  • Programación con R;
  • Funciones de bucle y depuración;
  • Simulación y análisis de rendimiento de software.

Curso 3: Obtención y limpieza de datos

Temas principales:

  • Encontrar datos y leer diferentes tipos de archivos;
  • Sistemas de almacenamiento de datos;
  • Organizar, fusionar y gestionar datos;
  • Manipulación de texto y datos en R.

Curso 4: Análisis exploratorio de datos

Temas principales:

  • Gráficos analíticos y representación gráfica en R;
  • Lattice y ggplot2;
  • Reducción de dimensionalidad de datos;
  • Técnicas de análisis de conglomerados.

Curso 5: Investigación reproducible

Temas principales:

  • Conceptos, ideas y estructura;
  • Markdown y knitr;
  • Lista de comprobación de la investigación reproducible;
  • Análisis de datos basados en evidencias.

Curso 6: Inferencia estadística

Temas principales:

  • Probabilidad y valores esperados;
  • Variabilidad, distribución y asíntota;
  • Intervalos, pruebas y valor p;
  • Pruebas de potencia, bootstrapping y permutación.

Curso 7: Modelos de regresión

Temas principales:

  • Mínimos cuadrados y regresión lineal;
  • Regresión lineal y multivariante;
  • Residuos y diagnósticos;
  • Regresión logística y de Poisson.

Curso 8: Aprendizaje automático

Temas principales:

  • Predicción, errores y validación cruzada;
  • Paquete caret;
  • Árboles de decisión y bosques aleatorios;
  • Regresión regularizada y predictores combinados.

Curso 9: Desarrollo de productos de datos

Temas principales:

  • Shiny, GoogleVis y Plotly;
  • R Markdown y Leaflet;
  • Paquetes R y Swirl.

Referencias

Artículos relacionados

Fundamentos de Spark (formación Cognitive Class)
Fundamentos de Hadoop (formación Cognitive Class)
AWS: fundamentos y aprendizaje automático (formación AWS)

Más información