|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/launching-machine-learning-es
课程评论：没有评论
课程名称：西班牙语机器学习入门 课程概述：本课程将带领学员回顾机器学习的历史，并探讨为何神经网络在数据科学的各类问题中表现出色。学员将学习如何设置监督学习问题，通过梯度下降法找到良好的解决方案。此外，课程还将介绍如何创建可泛化的数据集，并重复支持实验的方法。 课程目标： 1. 识别当今深度学习的流行原因。 2. 通过损失函数和性能指标来优化和评估模型。 3. 解决机器学习中常见的问题。 4. 创建可重复且可扩展的训练、评估和测试数据集。 课程大纲： 1. **介绍**：课程概述及目标。 2. **了解您的数据**：通过数据探索性分析提高数据质量，强调清晰整洁数据对于机器学习的重要性，并探讨缺失值对结果的影响。 3. **机器学习实践**：介绍主要的机器学习类型，帮助学员加快在人工智能领域的成长。 4. **使用Vertex AI进行AutoML模型训练**：导入AutoML模型训练的基础知识。 5. **在BigQuery中实现机器学习**：介绍BigQuery ML及其功能。 6. **优化**：学习如何优化机器学习模型。 7. **泛化与抽样**：分析在何种情况下不应选择最精确的机器学习模型，学习创建可重复的训练、评估和测试数据集，以及如何比较性能。 8. **总结**：课程的总结与回顾。 该课程适合希望深入理解机器学习的各种概念和实际应用的学习者。
Name:Introducción
Description:En este módulo, se brinda una descripción general del curso y sus objetivos.
Name:Conozca sus datos: Mejore los datos por medio de análisis exploratorios de datos
Description:En este módulo, examinaremos cómo mejorar la calidad de los datos y explorar los datos mediante análisis exploratorios de datos. Observaremos la importancia de tener datos limpios y ordenados para el aprendizaje automático y mostraremos su efecto en la calidad de los datos. Por ejemplo, los valores omitidos pueden sesgar los resultados. También aprenderá la importancia de explorar sus datos. Una vez que los datos estén limpios y ordenados, realizaremos un análisis exploratorio del conjunto de datos.
Name:El aprendizaje automático en la práctica
Description:En este módulo, presentaremos algunos de los tipos principales de aprendizaje automático, de modo que pueda acelerar su crecimiento como profesional del AA.
Name:Entrenamiento de modelos de AutoML con Vertex AI
Description:En este módulo, haremos una introducción al entrenamiento de modelos de AutoML con Vertex AI.
Name:Aprendizaje automático en BigQuery: Desarrolle modelos de AA en el lugar en el que se encuentran sus datos
Description:En este módulo, haremos una introducción a BigQuery ML y sus capacidades.
Name:Optimización
Description:En este módulo, explicaremos cómo optimizar sus modelos de AA.
Name:Generalización y muestreo
Description:Llegó el momento de responder una pregunta un tanto extraña: ¿en qué situaciones es mejor no elegir el modelo de AA más exacto? Como dimos a entender en el último módulo sobre la optimización, el solo hecho de que un modelo tenga una métrica de pérdida de 0 para un conjunto de datos no significa que vaya a tener un buen rendimiento cuando se aplique a datos nuevos del mundo real. Aprenderá a crear conjuntos de datos de entrenamiento, evaluación y prueba repetibles y establecer comparativas de rendimiento.
Name:Resumen
Description:Este módulo es un resumen del curso Introducción al aprendizaje automático
Comenzaremos con la historia del aprendizaje automático y discutiremos por qué las redes neuronales actualmente dan tan buenos resultados para una gran variedad de problemas de la ciencia de datos. Luego, veremos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución mediante el descenso de gradientes. Para esto, será necesario crear conjuntos de datos que permitan la generalización. Hablaremos sobre los métodos para hacerlo de una forma repetible que respalde la experimentación. Objetivos del curso: Identificar por qué el aprendizaje profundo es popular en la actualidad Optimizar y evaluar modelos mediante las funciones de pérdida y las métricas de rendimiento Mitigar problemas comunes que se presentan en el aprendizaje automático Crear conjuntos de datos repetibles y escalables para entrenamiento, evaluación y pruebas
