Clases en español con docentes en vivo por Zoom 
Horario: sábados de 9 a 13, hora de Buenos Aires, Argentina GMT-3
Comienzo: Sábado 7 de enero
Son 20 clases - Es un curso de 5 meses

Se entrega certificado oficial de la Universidad de Stanford

Organiza: Centro de Graduados de Ingeniería de la Universidad de Buenos Aires

Aranceles
Precio en dólares: U$S 199 (Se abona por Paypal)
Precio para Argentina: AR$ 72000 - Cuatro cuotas de AR$ 18.000

Acerca de este Programa Especializado

Este programa para principiantes te enseñará los fundamentos del aprendizaje automático y cómo utilizar estas técnicas para crear aplicaciones de IA en el mundo real.

Proporciona una amplia introducción al aprendizaje automático moderno, incluyendo el aprendizaje supervisado (regresión lineal múltiple, regresión logística, redes neuronales y árboles de decisión), el aprendizaje no supervisado (agrupación, reducción de la dimensionalidad, sistemas de recomendación), y algunas de las mejores prácticas utilizadas en Silicon Valley para la inteligencia artificial y la innovación del aprendizaje automático (evaluación y ajuste de modelos, adopción de un enfoque centrado en los datos para mejorar el rendimiento, y más).

Al final de esta especialización, habrás dominado los conceptos clave y habrás adquirido los conocimientos prácticos necesarios para aplicar de forma rápida y potente el aprendizaje automático a los problemas del mundo real. Si estás buscando entrar en la IA o construir una carrera en el aprendizaje automático, la nueva Especialización en Aprendizaje Automático es el mejor lugar para empezar.

Cursos en este Programa Especializado

1 - Aprendizaje automático supervisado: Regresión y clasificación
2 - Algoritmos de aprendizaje avanzados
3 - Aprendizaje no supervisado, recomendadores, aprendizaje por refuerzo

TEMARIO

1 - Aprendizaje supervisado vs. aprendizaje no supervisado. Modelo de regresión.
2 - Entrenamiento del modelo con el descenso del gradiente.
3 - Regresión con múltiples variables de input. Regresión lineal múltiple.
4 - El descenso del gradiente en la práctica.
5 - Modelos de clasificación. Regresión logística. Función de costo para la regresión logística.
6 - El descenso del gradiente para la regresión logística. El problema del sobreajuste.
7 - Redes neuronales. Conceptos básicos. Modelos de redes neuronales. Implementación en Tensorflow.
8 - Redes neuronales. Implementación en Python. Inteligencia Artificial General. Vectorización.
9 - Entrenamiento de redes neuronales. Funciones de activación.  
10- Clasificación multiclase. Conceptos adicionales de redes neuronales.
11- Consejos para aplicar machine learning. Sesgo y varianza.
12- El proceso de desarrollo de machine learning. Datasets desbalanceados.
13- Árboles de decisión. Modelo. Aprendizaje.
14- Ensambles de árboles. Random forest. XGBoost. Cuándo usar árboles de decisión.
15- Aprendizaje no supervisado. Clustering. KMeans.
16- Aprendizaje no supervisado. Detección de anomalías.
17- Sistemas de recomendación. Filtrado colaborativo. Implementación de sistemas de recomendación.
18- Sistemas de recomendación. Filtrado por contenidos.  
19- Aprendizaje reforzado. Retorno. Políticas. Aprendizaje.
20- Aprendizaje reforzado. Función de valor estado-acción. Ecuación de Bellman. Espacio de estado continuo.