Art and Science of Machine Learning en Español

Por: Coursera . en: , ,

Overview

Bienvenido al curso The Art and Science of Machine Learning. En este curso, adquirirá las competencias básicas de intuición de AA, evaluación de modelos de AA y experimentación con ellos para realizar los ajustes y optimizaciones correspondientes a fin de obtener el mejor rendimiento posible.

También aprenderá los mecanismos necesarios para entrenar modelos. Primero, los ajustará manualmente para observar los efectos en el rendimiento. Una vez que se familiarice con los valores que puede cambiar, denominados hiperparámetros, aprenderá a ajustarlos automáticamente con Cloud Machine Learning Engine en Google Cloud Platform.

Syllabus

Introducción
-Descripción general del curso, en la que se destacan los módulos y objetivos clave. En primer lugar, analizaremos los aspectos del aprendizaje automático que requieren cierto grado de intuición, criterios adecuados y experimentación. Esto es lo que llamamos “el arte del AA”. También aprenderá los mecanismos necesarios para entrenar modelos. Los ajustará manualmente para observar los efectos en el rendimiento.

El arte del AA
-En este curso, aprenderá sobre el arte del aprendizaje automático. Analizaremos los aspectos del aprendizaje automático que requieren cierto grado de intuición, criterio y experimentación para encontrar el balance adecuado y obtener resultados satisfactorios (sepa de antemano que es imposible lograr la perfección).

Ajuste de hiperparámetros
-En este módulo, aprenderá a diferenciar los parámetros de los hiperparámetros. Más adelante, analizaremos el enfoque de búsqueda por cuadrículas tradicional y aprenderemos a pensar más allá mediante la implementación de algoritmos más inteligentes. Por último, aprenderá cómo Cloud ML Engine hace que el ajuste automático de los hiperparámetros sea tan conveniente.

Un poco de ciencia
-En este módulo, agregaremos un poco de ciencia al arte del aprendizaje automático. En primer lugar, abordaremos cómo regularizar los modelos para lograr dispersión, a fin de que sean más simples y concisos. Más adelante, analizaremos la regresión logística y aprenderemos a evaluar el rendimiento.

La ciencia de las redes neuronales
-En este módulo, profundizaremos en los aspectos científicos del aprendizaje automático, específicamente en las redes neuronales.

Incorporaciones
-En este módulo, aprenderá a utilizar incorporaciones para administrar datos dispersos, de modo que los modelos de aprendizaje automático que usan este tipo de datos consuman menos memoria y puedan entrenarse más rápido. Las incorporaciones también son una forma de reducir la dimensionalidad y, de esta manera, simplificar los modelos para que sean más generalizables.

Estimador personalizado
-En este módulo, iremos más allá del uso de estimadores prediseñados y escribiremos un estimador personalizado. Al escribir un estimador personalizado, obtendrá un mayor control de la función del modelo.

Resumen
-Repaso de los conceptos clave abordados en el curso Art and Science of ML.

Plataforma