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.
Class Deals by MOOC List - Click here and see Coursera's Active Discounts, Deals, and Promo Codes.
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 de 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.
Course 2 of 3 in the Ciencia de datos Specialization.
What You Will Learn
- Comprender qué es el aprendizaje automático y los tipos de problemas que pueden resolverse con estas técnicas.
- Construir modelos predictivos con base en los objetivos de negocio y los datos disponibles, con herramientas de aprendizaje automático en Python.
- Entender el proceso para desarrollar un proyecto basado en datos, desde la formulación del problema hasta la evaluación e interpretación del modelo.
Syllabus
WEEK 1
Fundamentos del aprendizaje automático
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.
WEEK 2
Tarea de regresión
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.
WEEK 3
Complejidad de modelos y capacidad de generalización
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.
WEEK 4
Tarea de clasificación
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.
