Segunda etapa: Aprendizaje automático clásico
Curso de especialización introductorio clásico de aprendizaje automático del profesor Andrew Ng, que cubre el aprendizaje supervisado, el aprendizaje no supervisado y las técnicas prácticas de aprendizaje automático.
Especialización en Aprendizaje Automático - Descripción Detallada del Proyecto
Resumen del Proyecto
La Especialización en Aprendizaje Automático (Machine Learning Specialization) es un programa de cursos en línea de nivel básico creado en colaboración por DeepLearning.AI y Stanford Online. Este programa, amigable para principiantes, enseñará los fundamentos del aprendizaje automático y cómo utilizar estas técnicas para construir aplicaciones de IA del mundo real.
Información del Instructor
Esta especialización es impartida por el profesor Andrew Ng, un visionario de la IA que ha liderado investigaciones clave en la Universidad de Stanford y ha realizado trabajos pioneros en Google Brain, Baidu y Landing.AI, impulsando el campo de la IA.
Andrew Ng es el fundador de DeepLearning.AI, socio general de AI Fund, cofundador y presidente de Coursera, y profesor adjunto en la Universidad de Stanford.
Historia y Reputación del Curso
Esta especialización de 3 cursos es una versión actualizada del curso pionero de aprendizaje automático de Andrew, que obtuvo una calificación de 4.9/5 y ha sido cursado por más de 4.8 millones de estudiantes desde su lanzamiento en 2012.
En 2020, tres de los cursos más populares en Coursera fueron impartidos por Andrew Ng: Aprendizaje Automático (n.º 1), IA para Todos (n.º 5) y Redes Neuronales y Aprendizaje Profundo (n.º 6).
Estructura del Curso
La especialización se divide en 3 cursos, cada uno con un tema específico y contenido organizado por semanas:
Aprendizaje Automático Supervisado: Regresión y Clasificación (Supervised Machine Learning: Regression and Classification)
- Introducción al Aprendizaje Automático
- Regresión (Regresión Lineal)
- Clasificación (Regresión Logística)
Algoritmos de Aprendizaje Avanzados (Advanced Learning Algorithms)
- Redes Neuronales
- Árboles de Decisión
- Bosques Aleatorios (Random Forests)
- Algoritmos de Boosting
- Consejos Prácticos para Aplicar el Aprendizaje Automático
Aprendizaje No Supervisado, Sistemas de Recomendación, Aprendizaje por Refuerzo (Unsupervised Learning, Recommenders, Reinforcement Learning)
- Técnicas de Aprendizaje No Supervisado
- Sistemas de Recomendación
- Fundamentos del Aprendizaje por Refuerzo
Duración del Aprendizaje
Con un ritmo de estudio de 5 horas por semana, se necesitan 3 semanas para completar el curso 1, 4 semanas para el curso 2 y 3 semanas para el curso 3.
Descripción Detallada del Contenido del Curso
Este curso ofrece una amplia introducción al aprendizaje automático moderno, que incluye:
Aprendizaje Supervisado
- Regresión Lineal Múltiple
- Regresión Logística
- Redes Neuronales
- Árboles de Decisión
Aprendizaje No Supervisado
- Agrupamiento (Clustering)
- Reducción de Dimensionalidad
- Sistemas de Recomendación
Mejores Prácticas de Silicon Valley
- Evaluación y Ajuste de Modelos
- Adopción de un Enfoque Centrado en los Datos para Mejorar el Rendimiento
- Otras Prácticas Innovadoras de IA y Aprendizaje Automático
Resultados del Aprendizaje
Al completar esta especialización, usted será capaz de:
- Construir modelos de aprendizaje automático en Python utilizando las populares bibliotecas de aprendizaje automático NumPy y scikit-learn
- Construir y entrenar modelos de aprendizaje automático supervisado para tareas de predicción y clasificación binaria, incluyendo regresión lineal y regresión logística
- Construir y entrenar redes neuronales utilizando TensorFlow para realizar clasificación multiclase
- Aplicar las mejores prácticas de desarrollo de aprendizaje automático para permitir que sus modelos se generalicen a datos y tareas del mundo real
- Construir y utilizar árboles de decisión y métodos de conjunto de árboles, incluyendo bosques aleatorios y árboles de boosting
- Utilizar técnicas de aprendizaje no supervisado: incluyendo agrupamiento y detección de anomalías
- Construir sistemas de recomendación utilizando métodos de filtrado colaborativo y métodos de aprendizaje profundo basados en contenido
- Construir modelos de aprendizaje por refuerzo profundo
Características del Curso
Las características del curso incluyen:
- No se requieren conocimientos previos de matemáticas o una sólida experiencia en programación
- Adopta el contenido central del curso, validado durante años por millones de estudiantes, y lo hace más fácil de entender
- Enseña conceptos básicos de IA a través de un enfoque visual intuitivo, luego introduce el código y las matemáticas fundamentales necesarias para implementar los algoritmos
Pila Tecnológica y Herramientas
El curso utiliza principalmente las siguientes tecnologías y herramientas:
# Principales bibliotecas de Python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scikit-learn
import tensorflow as tf
Público Objetivo
- Principiantes en aprendizaje automático
- Profesionales que desean ingresar al campo de la IA
- Estudiantes que desean construir una carrera en el campo del aprendizaje automático
- Desarrolladores con conocimientos básicos de Python
Certificación y Diploma
Al completar el curso, recibirá un certificado de Coursera, emitido conjuntamente por la Universidad de Stanford y DeepLearning.AI.
Evaluación del Curso
Si desea ingresar al campo de la IA o construir una carrera en el campo del aprendizaje automático, la nueva especialización en aprendizaje automático es el mejor punto de partida.
Nota: Este curso se imparte en inglés, se recomienda tener conocimientos básicos de comprensión auditiva, lectura y escritura en inglés. El curso ofrece subtítulos y soporte para las tareas, lo que lo hace adecuado para estudiantes de todo el mundo.