Más vendidos

Machine Learning (2nd edition)

0 out of 5
( No hay valoraciones aún. )

0,00€

En este curso el alumno aprenderá los conceptos fundamentales, tanto teóricos como prácticos, necesarios para extraer información útil y relevante a partir de grandes cantidades de datos.

Impartido por:
Universidad Politécnica de Madrid

Categoría:
Ver carrito

En este curso el alumno aprenderá los conceptos fundamentales, tanto teóricos como prácticos, necesarios para extraer información útil y relevante a partir de grandes cantidades de datos. Para ello, se abordará el proceso completo de aprendizaje computacional: preparación de los datos, reducción de dimensionalidad, construcción del modelo y evaluación de su rendimiento. Durante el curso el alumno estudiará las técnicas más utilizadas para el aprendizaje computacional.

Duración: 10 semanas (50 horas)

Inicio: 9 de octubre de 2023
Fin: 17 de diciembre de 2023

Destinatarios:

  • El curso va dirigido a alumnos con conocimientos de programación (preferentemente en python), álgebra y estadística.

Objetivos:

  • Conocer los fundamentos teórico-prácticos del aprendizaje computacional (machine learning).
  • Diferenciar entre los distintos tipos de problemas de ciencia de datos y aplicar las técnicas correctas para su resolución.
  • Aprender a trabajar con conjuntos de datos reales empleando herramientas altamente demandas por la industria.

Contenidos:

  • Módulo 0 – Preprocesamiento de datos. En este módulo los estudiantes aprender las principales técnicas de preprocesamiento de datos tanto estructurados como no estructurados necesarias para el funcionamiento de los algoritmos de machine learning.
  • Módulo 1 – Regresión. En este módulo los estudiantes aprenderán la resolución de problemas de regresión y sus principales algoritmos (regresión lineal, ridge regression, lasso, elastic net, regresión polinómica y knn).
  • Módulo 2 – Clasificación. En este módulo los estudiantes aprenderán la resolución de problemas de clasificación y sus principales algoritmos (regresión logistica, svc, knn, nearest centroid, naive bayes y decision trees).
  • Módulo 3 – Clustering. En este módulo los estudiantes aprenderán la resolución de problemas de regresión y sus principales algoritmos (k means, dbscan, clustering jerárquico y spectral clustering).
  • Módulo 4 – Reducción dimensional. En este capítulo los estudiantes aprenderán la resolución de problemas de reducción dimensional y sus principales algoritmos (PCA, ISOMAP y TSNE).

Docentes:

Raúl Lara Cabrera

Licenciado en Informática por la Universidad de Málaga en 2010, Máster en Inteligencia Artificial e Ingeniería del Software por la misma universidad en 2012 y Doctor en Informática por la Universidad de Málaga en 2015. Ha sido postdoc en la Universidad Autónoma de Madrid. Actualmente, es Profesor Contratado Doctor en el Departamento de Sistemas Informáticos de la Universidad Politécnica de Madrid. Es autor de más de 20 artículos científicos en las revistas internacionales más prestigiosas. Sus intereses de investigación incluyen el aprendizaje automático, el análisis de datos, las redes complejas, los videojuegos y la inteligencia artificial.

 
Fernando Ortega Requena

Obtuvo el título de Graduado en Ingeniería del Software, el máster en Inteligencia Artificial y el doctorado en Informática por la Universidad Politécnica de Madrid en 2010, 2011 y 2015, respectivamente. Actualmente, es Profesor Contratado Doctor en el Departamento de Sistemas Informáticos de la Universidad Politécnica de Madrid. Es autor de 50 artículos de investigación en las revistas internacionales más prestigiosas. Lidera varios proyectos nacionales para incluir algoritmos de aprendizaje automático en la sociedad. Sus intereses de investigación incluyen el aprendizaje automático, el análisis de datos y la inteligencia artificial.

 

Información adicional

Modalidad

MOOC

Valoraciones

No hay valoraciones aún.

Solo los usuarios registrados que hayan comprado este producto pueden hacer una valoración.

Información del vendedor