9 episodios

Learn Live: Fundamentos de la ciencia de datos para el aprendizaje automático

Únase a Jason DeBoever y Glenn Stephens en directo en Learn TV y descubra la serie de nueve partes "Foundations of data science for machine learning" (Fundamentos de la ciencia de datos para el aprendizaje automático). Repasaremos los módulos de Learn y responderemos en directo a sus preguntas. Desde los modelos clásicos y básicos de aprendizaje automático hasta el análisis de datos exploratorios y la personalización de arquitecturas, recibirá orientación mediante contenido conceptual y cuadernos de Jupyter Notebook, y obtendrá información sobre los conceptos subyacentes, así como información sobre cómo empezar a implementar modelos con los herramientas más habituales de aprendizaje automático.

Introducción al aprendizaje automático

Introducción al aprendizaje automático

Información general de alto nivel sobre el aprendizaje automático para personas con conocimientos básicos o nulos de informática y estadística. Obtendrá información sobre algunos conceptos esenciales, explorará los datos, recorrerá de forma interactiva el ciclo de vida del aprendizaje automático y se valdrá de Python para entrenar, guardar y usar un modelo de aprendizaje automático de la misma manera que en el mundo real. En este episodio, aprenderá a:

  • Explorar la diferencia entre el aprendizaje automático y el software tradicional.
  • Crear y probar un modelo de aprendizaje automático.
  • Cargar un modelo y usarlo con nuevos conjuntos de datos.
Entre de lleno a ello Completar el módulo de Learn
Creación de modelos de aprendizaje automático clásicos con aprendizaje supervisado

Creación de modelos de aprendizaje automático clásicos con aprendizaje supervisado

El aprendizaje supervisado es una forma de aprendizaje automático en la que un algoritmo aprende a partir de ejemplos de datos. De forma progresiva, dibujamos un panorama que muestra cómo el aprendizaje supervisado genera automáticamente un modelo que puede realizar predicciones sobre el mundo real. También explicamos cómo se prueban estos modelos y las dificultades que pueden surgir. En este episodio, aprenderá a:

  • Definir el aprendizaje supervisado y sin supervisión.
  • Explorar cómo afectan las funciones de costo al proceso de aprendizaje.
  • Descubrir cómo se optimizan los modelos mediante el descenso de gradiente.
  • Experimentar con las velocidades de aprendizaje y ver cómo pueden afectar al entrenamiento.
Entre de lleno a ello Completar el módulo de Learn
Introducción a los datos para el aprendizaje automático

Introducción a los datos para el aprendizaje automático

La eficacia de los modelos de aprendizaje automático procede de los datos que se usan para entrenarlos. A través del contenido y los ejercicios, exploraremos cómo comprender los datos, cómo codificarlos para que el equipo pueda interpretarlos correctamente, cómo limpiarlos de errores y veremos sugerencias que le ayudarán a crear modelos con un rendimiento óptimo. En este episodio, aprenderá a:

  • Visualización de conjuntos de datos grandes con análisis exploratorio de los datos (EDA).
  • Limpiar un conjunto de datos de errores.
  • Predecir valores desconocidos mediante datos numéricos y categóricos.
Entre de lleno a ello Completar el módulo de Learn
Aprendizaje y conocimiento de los modelos de regresión en el aprendizaje automático

Aprendizaje y conocimiento de los modelos de regresión en el aprendizaje automático

Se puede decir que la regresión es la técnica de aprendizaje automático más usada, que normalmente subyace a descubrimientos científicos, planes de empresa y análisis de mercado de valores. Este material analiza algunos de los análisis de regresión más conocidos, algunos sencillos y otros más complejos, y proporciona información sobre cómo evaluar el rendimiento del modelo. En este episodio, aprenderá a:

  • Comprende el funcionamiento de la regresión.
  • Trabaja con algoritmos nuevos: regresión lineal, regresión lineal múltiple y regresión polinómica.
  • Comprende los puntos fuertes y las limitaciones de los modelos de regresión.
  • Visualiza las funciones de error y costo en la regresión lineal.
  • Comprende las métricas de evaluación básicas para la regresión.
Entre de lleno a ello Completar el módulo de Learn
Mejora y prueba de modelos de Machine Learning

Mejora y prueba de modelos de Machine Learning

Cuando pensamos en el aprendizaje automático, a menudo nos centramos en el proceso de entrenamiento. Con un poco de preparación antes de este proceso, no solo se puede acelerar y mejorar el aprendizaje, sino que también podremos tener un poco de confianza en que nuestros modelos funcionarán cuando nos enfrentemos a datos que nunca hayamos visto antes. En este episodio, aprenderá a:

  • Definir la normalización de características.
  • Crear y trabajar con conjuntos de datos de prueba.
  • ARTICULAR cómo los modelos de prueba pueden mejorar y dañar el entrenamiento.
Entre de lleno a ello Completar el módulo de Learn
Creación y descripción de modelos de clasificación en el aprendizaje automático

Creación y descripción de modelos de clasificación en el aprendizaje automático

La clasificación significa la asignación de elementos en categorías o también se puede considerar la toma de decisiones automatizada. Aquí presentamos modelos de clasificación a través de la regresión logística, lo que le proporciona un avance hacia métodos de clasificación más complejos y emocionantes. En este episodio, aprenderá a:

  • Descubra en qué se diferencia la clasificación de la regresión clásica.
  • Modelos de compilación que pueden realizar tareas de clasificación.
  • Explorar cómo evaluar y mejorar los modelos de clasificación.
Entre de lleno a ello Completar el módulo de Learn
Selección y personalización de arquitecturas e hiperparámetros mediante bosques aleatorio

Selección y personalización de arquitecturas e hiperparámetros mediante bosques aleatorio

A menudo, los modelos más complejos se pueden personalizar manualmente para mejorar su eficacia. Mediante ejercicios y contenido explicativo, exploramos cómo la modificación de la arquitectura de modelos más complejos puede lograr resultados más eficaces. En este episodio, aprenderá a:

  • Detectar nuevos tipos de modelos: árboles de decisión y bosques aleatorios.
  • Cómo la arquitectura del modelo puede afectar al rendimiento.
  • Practicar el trabajo con hiperparámetros para mejorar la eficacia del entrenamiento.
Entre de lleno a ello Completar el módulo de Learn
Matriz de confusión y desequilibrios de datos

Matriz de confusión y desequilibrios de datos

¿Cómo se puede saber si un modelo es bueno o malo para clasificar los datos? La forma en que los equipos evalúan el rendimiento del modelo a veces puede ser difícil de comprender o puede simplificar en exceso cómo se comportará el modelo en el mundo real. Para crear modelos que funcionen de manera satisfactoria, es necesario encontrar formas intuitivas de evaluarlos y comprender cómo estas métricas pueden sesgar nuestra visión. En este episodio, aprenderá a:

  • Evaluación del rendimiento de los modelos de clasificación
  • Revisión de las métricas para mejorar los modelos de clasificación
  • Mitigación de problemas de rendimiento de desequilibrios de datos
Entre de lleno a ello Completar el módulo de Learn
Medición y optimización del rendimiento del modelo con ROC y AUC

Medición y optimización del rendimiento del modelo con ROC y AUC

Las curvas de características operativas del receptor son una manera eficaz de evaluar y ajustar los modelos de clasificación entrenados. Presentamos y explicamos la utilidad de estas curvas a través de contenido de aprendizaje y ejercicios prácticos. En este episodio, aprenderá a:

  • Descripción de la creación de curvas de ROC.
  • Explore cómo evaluar y comparar modelos mediante estas curvas.
  • Practique un ajuste a un modelo mediante características trazadas en curvas de ROC.
Entre de lleno a ello Completar el módulo de Learn

Nuestros oradores

  • Jason DeBoever

    Administrador de productos sénior de Microsoft

    Twitter

  • Glenn Stephens

    Desarrollador de contenido sénior de Microsoft

    Twitter

Preguntas más frecuentes

¿Hay un costo para asistir al evento?

¡El evento es gratuito! ¡Puede unirse a Learn TV para acceder a contenido de streaming gratis!

¿Cuándo tiene lugar el evento?

Únase a nosotros todos los martes, de 2:00 p. m. a 3:30 p. m. PST, desde el 14 de septiembre hasta el 9 de noviembre.

¿Este evento estará disponible a petición?

Sí. ¡Puede transmitir nuestros eventos pasados en cualquier momento! Navegue por todo Learn en directo para transmitir en cualquier momento.

¿Dónde tiene lugar el evento?

¡Esta serie de eventos es virtual! Únase a nosotros y a miles de otros para disfrutar de la experiencia desde la comodidad de su propia casa, oficina o dispositivo.

¿En qué idioma se entregan los episodios?

Este programa se entrega en inglés. El título en 14 idiomas diferentes estará disponible en las grabaciones, disponibles 48 horas después de cada presentación en directo en Learn en directo.

Código de conducta

Queremos proporcionar una experiencia respetuosa, amable y profesional a todos, independientemente de su sexo, orientación sexual, apariencia física, discapacidad, edad, raza o religión. No toleraremos ningún comportamiento irrespetuoso con cualquier sexo, raza, orientación sexual o discapacidad, así como cualquier comportamiento que se considere acoso o discriminación. Los participantes son responsables de conocer y cumplir nuestros estándares. Animamos a todo el mundo a que nos ayude a crear un entorno agradable y seguro. Asimismo, nos esforzamos por tratar el planeta que compartimos con el mismo respeto. Le pedimos que informe de cualquier pregunta, preocupación, actividad o comportamiento negativo al equipo organizador para que podamos solucionar el problema inmediatamente.

Aprenda el código de conducta de la televisión