Machine Learning a fondo

Comienzo: Viernes 4 de septiembre
Horas: 18 en seis clases de tres horas
Horario: viernes de 18.30 a 21.30

Modalidad: mixta, a distancia y presencial, cuando se levante la cuarentena  

Arancel: $6.900

Para socios del Centro de Graduados FIUBA con la cuota social al día que hayan cancelado las cuotas 2018 y 2019: sin cargo.

Desarrollá tu perfil técnico en Inteligencia artificial. Introducite al mundo de Machine Learning. Comprendé los desafíos sociales e industriales que plantea la Inteligencia Artificial que ya está entre nosotros. Unite a la revolución de la Inteligencia Artificial.

En este curso aprenderás a:

- Entender el tipo de problemas que se resuelven con Inteligencia Artificial

- Interpretar conceptos necesarios de estadística para abordar problemas

- Conocer los principales algoritmos que se usan en Machine Learning

- Reconocer los tipos de condicionamiento previo de datos necesarios para Machine Learning

- Trabajar en Inteligencia Artificial y Machine Learning con Python, Anaconda, Jupyter Notebook y las bibliotecas
  de Machine Learning

- Conocer el flujo de trabajo de Inteligencia Artificial usando Machine Learning

La Inteligencia Artificial y, en particular el Machine Learning, es un paradigma que está afectando progresivamente a nuestra sociedad, en especial en lo que respecta al tratamiento de un conjunto creciente de información que comienza a estar disponible por la digitalización. Aparecen nuevos desafíos y problemas, que no pueden ser resueltos por los métodos tradicionales de las matematicas y su resolución comienza a moverse hacia nuevos rumbos, de la mano de la estadística y del creciente poder de los procesadores digitales.
Surge así el concepto de Data Science. Como resultado, se crean algoritmos como si fuesen las nuevas máquinas, ya no de vapor sino de datos, de la revolución actual.

PRÁCTICAS EN CLASE ::

En este curso se aprenderá lo necesario para identificar problemas y obtener soluciones.
Se comenzará, mediante ejemplos simples, a entender los fundamentos de Machine Learning y recorreremos su ciclo de trabajo. Finalmente, se presentarán los tipos de problemas más comunes, conjuntamente con los algoritmos más utilizados.


Requisitos:

Es necesario contar con una base de programación y/o haber cursado Python Nivel 1

Se deben manejar conceptos básicos de matemáticas:

  - Álgebra lineal: matrices y sus principales operaciones
  - Análisis matemático: funciones y nociones sobre derivadas e integrales
  - Probabilidad y estadística: variables aleatorias, funciones de distribución, estadísticos básicos  
 
Se debe tener un manejo básico de Jupyter Notebook y/o Google Colaboratory

Público:

Este curso está orientado a todos aquellos que quieran tener la oportunidad de ser protagonistas de la Revolución de la Inteligencia Artificial que promete cambiar, una vez más, el rumbo de la historia laboral de la humanidad.

SALIDA LABORAL

Saldrás convertido en un Data Trainée con bases sólidas, imprescindibles para para poder realizar cursos avanzados de Inteligencia Artificial y así convertirte en un futuro “Ninja” de datos


PROGRAMA

1. Manejo de datos para Machine Learning

2. Problemas que se resuelven con Machine Learning

3. Modelos y Tipos de Algoritmos

4. Modelos de Regresión  

5. Modelos de Clasificación

6. Clustering y NLP


ANALÍTICO

1. Manejo de datos para Machine Learning

* Manejo de vectores y matrices con Numpy: Arrays, shape, indexing, broadcasting, álgebra lineal.

* Manejo y análisis de datos con Pandas: Series y DataFrames, carga de datos, manipulación, estadísticas,
   gráficos.

* Visualizaciones con Matplotlib y Seaborn: Estructura de un gráfico, tipos de gráficos, subplots.


2. Problemas que se resuelven con Machine Learning

* Inteligencia  Artificial y Machine Learning: definición

* Flujo de trabajo de Machine Learning

* Lo que Machine Learning puede y no puede hacer

* Cómo introducir IA en su empresa

* Breve historia de la IA. Teoría de la información.

* Los datos y sus estadísticas. Datos faltantes. Valores categóricos. Normalización


3. Modelos y Tipos de Algoritmos

* Algoritmos de Aprendizaje Automático

* Aprendizaje supervisado

* Aprendizaje no-supervisado

* Aprendizaje por refuerzo

* Clasificadores y regresores

* Clustering, sistemas de recomendación

* NLP - Procesamiento de Lenguaje Natural


4. Aprendizaje supervisado. Algoritmos de Regresión  

* Modelos de regresión

* Regresión lineal

* Regresión polinómica

* Support Vector Regression

* Árboles de regresión

* Random forest

* Variables dummy

* Métodos para construir un modelo


5. Aprendizaje supervisado. Algoritmos de Clasificación

* Modelos de Clasificación

* Regresión Logística

* Árboles de decisión

* Naïve Bayes

* K Nearest Neighbors (kNN)

* Support Vector classifier

* Ensambles (combinación de algoritmos)

* Teorema de Bayes


6. Aprendizaje no supervisado y NLP

Modelos de Clustering

* Clustering con K-Means

* Clustering Jerárquico

* Introducción al Natural Languaje Processing

* Métricas de evaluación