François Chung, Ph.D.

Tag: regresión logística

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

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

Conferencia ODSC APAC 2023 (conferencia ODSC)
Fundamentos de Spark (formación Cognitive Class)
Fundamentos de Hadoop (formación Cognitive Class)
AWS: fundamentos y aprendizaje automático (formación AWS)

Más información

AWS: fundamentos y aprendizaje automático

AWS: fundamentos y aprendizaje automático

Formación AWS, MOOC (2020). Estos cursos en línea proporcionan una comprensión global de la nube de AWS, con una visión general de los conceptos, servicios, seguridad, arquitectura, precios y soporte de la nube. Los cursos específicos para socios de AWS enseñan las mejores prácticas para abordar las prioridades comerciales de los clientes. También se cubre el aprendizaje automático (ML), con el plan de estudios utilizado por Amazon para capacitar a sus desarrolladores y científicos de datos.

Conceptos básicos de AWS

Temas principales:

  • Servicios básicos de AWS;
  • Servicios integrados de AWS;
  • Arquitectura de AWS;
  • Seguridad de AWS;
  • Precios y soporte.

Soluciones de socios de AWS: Bases comerciales

Temas principales:

  • Desarrollar su negocio con AWS;
  • Lo que les importa a los clientes de AWS;
  • Seguridad, identidad y cumplimiento;
  • Precios y licencias;
  • Migración y adopción de la nube;
  • Gestión de oportunidades.

Soluciones de socios de AWS: Fundamentos técnicos

Temas principales:

  • Arquitectos de soluciones de AWS;
  • Conceptos arquitectónicos de AWS;
  • Bloques de construcción;
  • Well-Architected Framework de AWS;
  • Arquitectura de una solución AWS;
  • Involucrar a los clientes y diseñar soluciones.

AWS Machine Learning: Tomador de decisiones

Temas principales:

  • Desmitificando AI/ML/DL;
  • Aprendizaje automático para desafíos empresariales;
  • Terminología de aprendizaje automático;
  • Explorando el conjunto de herramientas ML.

AWS Machine Learning: Científico de datos

Temas principales:

  • Matemáticas para el aprendizaje automático;
  • Regresión lineal y logística;
  • Elementos de la ciencia de datos;
  • Decisiones de aprendizaje automático.

Referencias

Formación

AWS Business Professional (Soluciones de socios de AWS: Bases comerciales, certificado del curso)
AWS Technical Professional (Soluciones de socios de AWS: Fundamentos técnicos, certificado del curso)

Artículos relacionados

Más información

AWS Cloud Practitioner Essentials (Conceptos básicos de AWS)
AWS Partner Solutions (Soluciones de socios de AWS)
AWS Machine Learning: Decision maker (AWS Machine Learning: Tomador de decisiones)
AWS Machine Learning: Data scientist (AWS Machine Learning: Científico de datos)

Redes neuronales y aprendizaje profundo

Redes neuronales y aprendizaje profundo

Formación Coursera, MOOC (2018). Impartida en línea por Stanford University (US), esta formación introduce las bases del aprendizaje profundo. Los principales objetivos son comprender las tendencias tecnológicas que impulsan el aprendizaje profundo, ser capaz de construir, entrenar y aplicar redes neuronales. La formación tiene como objetivo enseñar cómo funciona el aprendizaje profundo, en lugar de presentar sólo una descripción superficial.

Semana 1: Introducción al aprendizaje profundo

Temas principales:

  • ¿Qué es una red neuronal?
  • Aprendizaje supervisado con redes neuronales;
  • ¿Por qué está despegando el aprendizaje profundo?

Semana 2: Fundamentos de redes neuronales

Temas principales:

  • Clasificación binaria;
  • Regresión logística;
  • Descenso de gradiente;
  • Derivadas con un gráfico de computación;
  • Vectorización de la regresión logística.

Semana 3: Redes neuronales superficiales

Temas principales:

  • Representación de la red neuronal;
  • Computar la salida de una red neuronal;
  • Vectorizar a través de múltiples ejemplos;
  • Funciones de activación y sus derivadas;
  • Descenso de gradiente para redes neuronales;
  • Inicialización aleatoria.

Semana 4: Redes neuronales profundas

Temas principales:

  • Red neuronal multicapa;
  • Propagación hacia adelante y hacia atrás;
  • Bloques de construcción de redes;
  • Parámetros vs hiperparámetros.

Referencias

Artículos relacionados

Más información