Dominio del Aprendizaje Automático

Aprenda los conceptos de Machine Learning y el flujo de trabajo de un proyecto de ML.

El preprocesamiento es probablemente la etapa más importante de un proyecto de ML. Este capítulo abarca los pasos de preprocesamiento necesarios para casi cualquier conjunto de datos.

Un pipeline es una forma ordenada de combinar todos los pasos de preprocesamiento junto con un modelo. Los pipelines facilitan considerablemente el entrenamiento y uso de un modelo.

El modelado es la etapa más divertida de un proyecto de ML. Aprendamos a construir, ajustar y evaluar el modelo.

Comencemos con el modelo de Regresión Lineal más sencillo. Aprenderá el concepto fundamental de la Regresión Lineal y cómo realizar predicciones en Python.

La mayoría de las tareas de predicción en el mundo real involucran más de una característica. Aprenderá cómo manejar la regresión lineal con múltiples características.

Una línea recta no siempre describe bien los datos. Aprendamos cómo construir un modelo más complejo para la predicción. Para esto se utiliza la regresión polinómica.

Ahora que sabe cómo construir varios modelos de Regresión Lineal, necesita una forma de elegir el mejor. Esto se puede lograr utilizando métricas. Esta sección explica las más utilizadas y las dificultades que puede encontrar al usarlas.

Descubra cómo entrenar agentes para tomar decisiones óptimas mediante prueba y error. Explore los fundamentos de la teoría de aprendizaje por refuerzo. Obtenga experiencia práctica configurando y ejecutando un entorno Gymnasium.

Domina el equilibrio entre exploración y explotación a través del problema del bandido de varios brazos. Implementación de estimación del valor de acción, métodos ε-greedy, límite superior de confianza y métodos de gradiente-bandido. Evaluación del rendimiento de los algoritmos en tareas simuladas de maximización de recompensas.

Domina la programación dinámica para RL basado en modelos. Descubre cómo las ecuaciones de Bellman pueden utilizarse para evaluar y mejorar políticas. Implementa algoritmos de iteración de políticas y de valores. Explora la iteración generalizada de políticas como base teórica para métodos sin modelo.

Domina los métodos de Monte Carlo para RL sin modelo. Estimación de funciones de valor y derivación de políticas óptimas a partir de episodios completos. Implementación de algoritmos de control Monte Carlo en política y fuera de política. Descubrimiento de estrategias de exploración para optimizar el aprendizaje sin modelo.

Domina el aprendizaje por diferencia temporal para RL sin modelo. Estima funciones de valor a partir de episodios parciales utilizando actualizaciones TD(0). Implementa los algoritmos SARSA en política y Q-Learning fuera de política. Descubre cómo los métodos Monte Carlo y el aprendizaje TD se combinan en n-step TD y TD(λ).

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

Adéntrese en los fundamentos del clustering y descubra cómo se diferencia de la clasificación. Explore algoritmos, herramientas y bibliotecas esenciales que impulsan esta técnica de aprendizaje no supervisado para revelar patrones ocultos en los datos.

Adquiera una comprensión sólida de las principales técnicas de preprocesamiento que garantizan una agrupación efectiva. Aprenda a manejar valores faltantes, codificar características categóricas, normalizar datos y seleccionar medidas de distancia y métodos de enlace apropiados para mejorar la precisión del agrupamiento.

Domine las habilidades necesarias para aplicar el agrupamiento K-Means de manera efectiva. Comprenda el funcionamiento del algoritmo, determine el número óptimo de clústeres y adquiera experiencia práctica implementando K-Means en conjuntos de datos sintéticos y reales.

Explora los conceptos esenciales del clustering jerárquico y aprende a agrupar datos en clústeres significativos utilizando dendrogramas. Desarrolla confianza en la identificación del número óptimo de clústeres y en la implementación de la técnica tanto en conjuntos de datos sintéticos como reales.

Descubra cómo DBSCAN destaca en la detección de agrupamientos con formas variadas y en el manejo de ruido en los datos. Conozca la mecánica detrás de este algoritmo basado en densidad, el proceso de asignación de puntos a agrupamientos y su aplicación tanto en conjuntos de datos sintéticos como reales con confianza.

Adquirir una comprensión sólida de los Modelos de Mezcla Gaussiana y cómo utilizan la probabilidad para modelar formas de clúster complejas. Estudio de los principios de la distribución gaussiana, exploración del funcionamiento de los GMM y consolidación de conocimientos mediante su aplicación en datos simulados y reales.