Shop

Este módulo profundiza en cómo funcionan los sistemas de IA predictiva mediante la exploración de técnicas comunes de aprendizaje, procesamiento y manipulación de datos, y gestión del rendimiento de los sistemas de IA. El módulo no cubre fórmulas matemáticas ni programación y está dirigido a profesionales de TI en general. 

Se cubren los siguientes temas principales:

• Cómo entender el aprendizaje supervisado
• Cómo entender el aprendizaje no supervisado
• Técnicas y procesos analíticos esenciales
• Introducción a la Codificación de características y la Imputación de características
• Introducción a la Reducción de la dimensionalidad
• Introducción a la Gestión de datos
• Introducción a la Evaluación de modelos y la Evaluación del rendimiento del entrenamiento
• Introducción al Modelado de referencia y la Optimización de modelos
• Introducción a la Prevención del sobreajuste
• Introducción al Aprendizajeor transferencia

Este módulo profundiza en una gama de prácticas y técnicas de ingeniería de IA predictiva, y además proporciona una introducción detallada a los componentes de arquitectura de redes neuronales. El módulo ilustra cómo y cuándo se deben definir y aplicar distintas prácticas y componentes de los sistemas de IA con redes neuronales. Finalmente, el módulo proporciona un conjunto de principios clave y buenas prácticas para llevar a cabo técnicas de ingeniería de IA.

Se cubren los siguientes temas principales:

• Selección de modelos de IA predictiva y ajuste de hiperparámetros
• Despliegue, monitoreo y mantenimiento de modelos de IA predictiva
• Detección y mitigación de sesgos de IA predictiva
• Explicabilidad e interpretabilidad de modelos de IA predictiva
• Técnicas de evaluación y validación de modelos de IA predictiva
• Técnicas de preprocesamiento de datos, sobreajuste y regularización
• Cómo entender las redes neuronales y los modelos de IA predictiva
• Tipos de redes neuronales, neuronas, capas, enlaces, pesos
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas de redes neuronales comunes para sistemas de IA predictiva

Este módulo cubre una serie de prácticas para preparar y trabajar con datos para entrenar y correr sistemas y redes neuronales de IA predictiva. Proporciona técnicas de ingeniería para diseñar y optimizar redes neuronales, incluyendo enfoques para medir y ajustar el rendimiento de los modelos de redes neuronales. Las prácticas se pueden aplicar individualmente o en distintas combinaciones para abordar una gama de problemas y requerimientos comunes de los sistemas de IA predictiva.

Se cubren los siguientes temas principales:

• Patrones de manipulación de datos para preparar los datos para las entradas de redes neuronales predictivas
• Codificación de características para convertir características categóricas
• Imputación de características para inferir valores de características
• Escalamiento de características para conjuntos de datos de entrenamiento con características amplias
• Representación de textos para convertir datos preservando las propiedades semánticas y sintácticas
• Reducción de la dimensionalidad para reducir el espacio de características para las entradas de redes neuronales predictivas
• Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales
• Configuración supervisada de redes para establecer el número de neuronas en las capas de red
• Identificación de imágenes para usar una red neuronal convolucional
• Identificación de secuencias para usar una red neuronal de memoria a corto-largo plazo
• Patrones de aprendizaje no supervisado para entrenar modelos de redes neuronales de patrones
• Identificación de patrones para identificar patrones visualmente mediante un mapa autoorganizado
• Filtrado de contenidos para generar recomendaciones
• Patrones de evaluación de modelos para medir el rendimiento de redes neuronales predictivas
• Evaluación del rendimiento de entrenamiento para evaluar el rendimiento de redes neuronales predictivas
• Evaluación del rendimiento de predicción para las redes neuronales predictivas en producción
• Modelado de referencia para evaluar y comparar redes neuronales predictivas complejas
• Patrones de optimización de modelos para refinar y adaptar redes neuronales predictivas
• Prevención del sobreajuste para ajustar una red neuronal predictiva
• Reentrenamiento frecuente de modelos para mantener una red neuronal en sincronía con los datos actuales
• Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales predictivas

Este módulo proporciona una serie de ejercicios y problemas de laboratorio basados en casos de estudio, diseñados para poner a prueba su capacidad para aplicar sus conocimientos de los temas cubiertos en los módulos anteriores. Completar este laboratorio ayuda a reforzar la comprensión de los temas anteriores y demuestra cómo se pueden aplicar diferentes prácticas y tecnologías en conjunto como parte de soluciones más amplias.