FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL Y MACHINE LEARNING

Mixto: Presencial + E-learning (Online)

Metodología activo-participativa, que permita un mayor dinamismo, entendiendo que la mejor forma de aprender y de interactuar, es que los participantes “aprendan haciendo”. En las clases se utilizará el Modelo de Aprendizaje para Adultos, con dinámicas y ejercicios grupales.

IMPORTANTE: Nuestra OTEC tiene total flexibilidad y disponibilidad para realizar los ajustes necesarios en los contenidos a impartir, con la finalidad que la capacitación se realice de la manera más conveniente para la empresa y para el grupo objetivo que participará.
Al recibir la aprobación de la cotización, el área académica se contactará para definir con detalles ajustes de contenidos, definir fechas, horarios, metodología sincrónica o asincrónica, entre otros aspectos.

INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO APLICADO
• Aprendizaje estadístico frente a aprendizaje automático
• Iteración y evaluación
• Compensación de sesgo-varianza
• Aprendizaje supervisado vs no supervisado
• Problemas resueltos con Machine Learning
• Prueba de validación de tren: flujo de trabajo de ML para evitar el sobreajuste
• Flujo de trabajo de aprendizaje automático
• Algoritmos de aprendizaje automático
• Elección del algoritmo apropiado para el problema.

EVALUACIÓN DE ALGORITMOS
• Evaluación de predicciones numéricas
o Medidas de precisión: ME, MSE, RMSE, MAPE
o Estabilidad de parámetros y predicciones
• Evaluación de algoritmos de clasificación
o La precisión y sus problemas
o La matriz de confusión
o Problema de clases desequilibradas
• Visualización del rendimiento del modelo
o Curva de beneficios
o Curva ROC
o Curva de elevación
• Selección de modelo
o Ajuste del modelo: estrategias de búsqueda de cuadrícula

PREPARACIÓN DE DATOS PARA MODELADO
• Importación y almacenamiento de datos
• Comprender los datos: exploraciones básicas
• Manipulaciones de datos con la biblioteca pandas
• Transformaciones de datos: disputa de datos
• Análisis exploratorio
• Observaciones faltantes: detección y soluciones
• Valores atípicos: detección y estrategias
• Estandarización, normalización, binarización
• Grabación de datos cualitativos

ALGORITMOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE VALORES ATÍPICOS
• Algoritmos supervisados
o KNN
o Aumento de gradiente de conjunto
o MVS
• Algoritmos no supervisados
o Basado en la distancia
o Métodos basados en la densidad
o Métodos probabilísticos
o Métodos basados en modelos
COMPRENDER EL APRENDIZAJE PROFUNDO
• Descripción general de los conceptos básicos del aprendizaje profundo
• Diferenciar entre aprendizaje automático y aprendizaje profundo
• Descripción general de las aplicaciones para el aprendizaje profundo

DESCRIPCIÓN GENERAL DE LAS REDES NEURONALES
• ¿Qué son las redes neuronales?
• Redes neuronales vs modelos de regresión
• Comprender los fundamentos matemáticos y los mecanismos de aprendizaje
• Construcción de una red neuronal artificial
• Comprender los nodos y las conexiones neuronales
• Trabajar con neuronas, capas y datos de entrada y salida
• Comprender los perceptrones de una sola capa
• Diferencias entre el aprendizaje supervisado y no supervisado
• Redes neuronales de retroalimentación y feedforward de aprendizaje
• Comprender la propagación hacia adelante y la propagación hacia atrás

CREACIÓN DE MODELOS SENCILLOS DE APRENDIZAJE PROFUNDO CON KERAS
• Creación de un modelo de Keras
• Comprender sus datos
• Especificación de su modelo de aprendizaje profundo
• Compilar su modelo
• Ajuste de su modelo
• Trabajar con sus datos de clasificación
• Trabajar con modelos de clasificación
• Usando tus modelos


TRABAJAR CON TENSORFLOW PARA EL APRENDIZAJE PROFUNDO
• Preparación de los datos
o Descarga de los datos
o Preparación de datos de entrenamiento
o Preparación de datos de prueba
o Entradas de escala
o Uso de marcadores de posición y variables
• Especificación de la arquitectura de red
• Uso de la función de costo
• Uso del Optimizador
• Uso de inicializadores
• Ajuste de la red neuronal
• Construyendo el gráfico
o Inferencia
o Pérdida
o Capacitación
• Entrenando al modelo
o La gráfica
o La sesión
o Bucle de tren
• Evaluación del modelo
o Construyendo el gráfico de evaluación
o Evaluando con Eval Output
• Modelos de entrenamiento a escala
• Visualización y evaluación de modelos con TensorBoard

APLICACIÓN DE DEEP LEARNING EN DETECCIÓN DE ANOMALÍAS
• Codificador automático
o Codificador - Arquitectura del decodificador
o Pérdida de reconstrucción
• Autencodificador variacional
o Inferencia variacional
• Red adversaria generativa
o Generador – Arquitectura discriminadora
o Aproximaciones a AN usando GAN

MARCOS DE CONJUNTO
• Combinación de resultados de diferentes métodos.
• Agregación de Bootstrap
• Promediando la puntuación de los valores atípicos

toda persona con interés en el área

Persona o Empresa

28 horas

DISPONIBILIDAD INMEDIATA, A CONVENIR, COTIZAR

CERTIFICACIÓN: Diploma y Certificado:
• Norma Chilena: NCh 2728:2015 [REG. INN A - 8968]
• Norma Internacional: ISO 9001:2015

Profesional experto en el área

*MERCADO PÚBLICO : ACREDITACIÓN VIGENTE
*SENCE
*CONTENIDOS DIGITALES DEL CURSO
*DIPLOMA Y CERTIFICADO: Norma Chilena: NCh 2728:2015 [REG. INN A - 8968] Y Norma Internacional: ISO 9001:2015
*AULA VIRTUAL MOODLE