|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/modelos-predictivos-con-aprendizaje-automatico
课程评论：没有评论
课程名称：机器学习预测模型 课程概述：本课程将为您提供理论和实践知识，使您能够利用机器学习技术构建预测模型。这些模型使我们在一定程度上能够预测未来事件，从而可以支持组织决策以及在各类应用领域中使用。课程分为四个模块，每个模块为期一周，您将有机会了解和分析不同的案例研究，以便全面了解预测模型的应用。 课程内容： - 第一个模块：机器学习基础。您将学习什么是机器学习、该技术可用于的项目以及应用领域，了解监督学习和无监督学习的不同及其相关任务。同时，学习使用Python编程语言的一些工具和方法论。 - 第二个模块：回归任务。您将学习如何使用简单和多元线性回归算法解决数字预测问题，掌握模型评估指标以及新的数据预测质量的评估技术，并将这些概念应用于scikit-learn库的实际案例中。 - 第三个模块：模型复杂性和泛化能力。在这一模块中，您将学习提高预测模型性能的一些技术，包括如何在非线性问题上使用线性回归的变换，了解模型复杂性、正则化及其作用，以及如何调节超参数。最后，将通过scikit-learn库进行实际应用。 - 第四个模块：分类任务。您将了解如何使用学习算法解决分类问题，学习决策树的工作原理，掌握评估模型的指标并进行案例分析。还将应用复杂性调整和超参数调整的概念，以构建具有良好泛化能力的决策树模型，并探讨数据解决方案的伦理影响。 该课程适合不同学科背景的人，无论是开始大学学习还是已有专业学位，都可以参与。建议学习者的设备安装有Anaconda/Jupyter Notebook，并具备至少4GB的RAM和超过1GB的硬盘空间。
Name:Fundamentos del aprendizaje automático
Description:Bienvenido al primer módulo del curso. Aquí te voy a mostrar, a través del estudio de algunos casos de uso, qué es el aprendizaje automático y cuáles son las características de los proyectos que pueden ser realizados con estás técnicas. Además, conocerás algunas áreas de aplicación del aprendizaje automático y sabrás diferenciar los diversos contextos de aprendizaje, supervisado y no supervisado, así como sus tareas asociadas. También tendrás la oportunidad de conocer el proceso de aprendizaje a través de una metodología y cuáles son algunas herramientas, en el lenguaje de programación Python, que puedes utilizar para la implementación de este tipo de proyectos.
Name:Tarea de regresión
Description:Bienvenido al segundo módulo del curso, el cual lo dedicaremos al estudio de la tarea de regresión. Aprenderás cómo resolver un problema de predicción numérica utilizando el algoritmo de regresión lineal, tanto simple como de múltiples variables. También conocerás algunas métricas que te permitirán medir el rendimiento del modelo generado, así como técnicas para determinar la calidad de las predicciones para datos nuevos. Por último, aplicarás estos conceptos a un caso utilizando la librería de aprendizaje automático scikit-learn.
Name: Complejidad de modelos y capacidad de generalización
Description:Bienvenido al tercer módulo del curso, en el cual vamos a estudiar algunas técnicas que te permitirán mejorar el rendimiento de los modelos predictivos. En primer lugar, veremos una trasformación que habilita el uso de la regresión lineal en problemas no lineales. Luego, presentaremos un concepto muy importante en al aprendizaje a partir de datos, la complejidad de modelos, y discutiremos cómo este puede afectar el rendimiento de generalización. También aprenderás qué es la regularización y cómo funciona como método de control de complejidad. Conocerás las versiones regularizadas de la regresión lineal y cómo ajustar hiperparámetros con técnicas de validación. Por último, tendrás la oportunidad de aplicar estos conceptos a un caso utilizando la librería scikit-learn.
Name:Tarea de clasificación
Description:Bienvenido al último módulo del curso, en el cual estudiaremos la tarea de clasificación. Aprenderás cómo un algoritmo de aprendizaje resuelve un problema de este tipo y veremos en acción uno muy popular, los árboles de decisión. También conocerás algunas métricas para evaluar este tipo de modelos y cuál es la base a partir de la cual se derivan. Además, aplicarás los conceptos vistos sobre complejidad y ajuste de hiperparámetros para construir modelos basados en árboles de decisión con buenas capacidades de generalización. Por último, resolverás un caso utilizando la librería de aprendizaje automático scikit-learn. Para cerrar, tendrás la oportunidad de comprender las implicaciones éticas en el desarrollo de soluciones a partir de datos.
Este curso te va a brindar conocimientos, tanto teóricos como prácticos, para que puedas construir modelos predictivos utilizando técnicas de aprendizaje automático (en inglés, machine learning). Estos modelos nos permiten anticipar en alguna medida eventos futuros y, en consecuencia, pueden ser utilizados para apoyar la toma de decisiones en las organizaciones y, en general, en cualquier dominio de aplicación. El curso consta de 4 módulos, cada uno de una semana, en los cuales vas a tener la oportunidad de conocer y analizar diferentes casos de estudio con el objetivo de que tengas un panorama amplio de las aplicaciones de los modelos predictivos. En el primer módulo estudiaremos algunos fundamentos del aprendizaje automático y te mostraremos ejemplos de proyectos que pueden ser realizados con estas técnicas. El segundo módulo lo dedicaremos a la tarea de regresión y cómo construir modelos de predicción numérica con algoritmos lineales. A continuación, en el tercer módulo, estudiaremos algunos conceptos importantes en el aprendizaje supervisado, como la complejidad de modelos y la capacidad de generalización. Veremos entonces algunas técnicas que te permitirán mejorar el rendimiento de tus modelos. Por último, en el cuarto módulo, estudiaremos la tarea de clasificación y cómo construir modelos predictivos con algoritmos basados en árboles de decisión. Este curso está pensado para personas de diferentes disciplinas que quieran adentrarse en el mundo del aprendizaje automático y sus aplicaciones en el análisis de información, que estén iniciando estudios universitarios o con un título profesional. El aspirante a tomar este curso puede provenir de cualquier campo del conocimiento y estar incorporado en cualquier ámbito industrial, empresarial o académico. Este curso requiere la instalación de un programa especial (Anaconda/Jupyter Notebook). Es recomendable que el equipo cuente con más de 4GB de RAM y espacio en disco duro superior a 1GB.
