Curso actualmente no disponible
Machine learning en R y principios de inteligencia artificial
Curso
Virtual
Descripción
-
Tipología
Curso
-
Nivel
Nivel intermedio
-
Metodología
Virtual
-
Horas lectivas
27h
-
Duración
5 Semanas
-
Campus online
Sí
-
Servicio de consultas
Sí
-
Clases virtuales
Sí
En este curso se estudiarán las metodologías más famosas de Machine Learning (aprendizaje de máquinas) y sus aplicaciones. Se cubrirá la teoría y el código en R de cada una de las técnicas estudiadas, entre las cuales se encuentran modelos supervisados y no supervisados para el análisis predictivo. Se enfatizará en el análisis de los resultados obtenidos en cada modelo, técnicas tradicionales para mejorar su desempeño y comprensión de supuestos para hacer conclusiones acertadas. Al final de este módulo los estudiantes podrán entender proyectos de ciencia de datos desde la formulación de preguntas, limpieza de datos, modelación, extracción de patrones en los datos.
En el módulo de inteligencia artificial (IA) los estudiantes obtendrán un contexto general de las aplicaciones y propiedades del estado del arte en la IA contemporánea, sus potenciales de aplicación y limitaciones. En esta parte del curso, en lugar de programar, vamos a explorar las formas en que la IA es útil en diferentes contextos, de modo que los estudiantes puedan desarrollar la competencia de asociar problemas con técnicas de solución, conociendo las nociones básicas.
Nota: se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante. El software que usará es R y RStudio. Las instrucciones de instalación serán remitidas al inicio del programa.
A tener en cuenta
Enseñar los conceptos básicos de Machine Learning.
Exponer a los estudiantes a los paquetes más famosos para la analítica en R.
Repasar los tipos de problemas y sus soluciones a partir de Machine Learning
Familiarizar a los estudiantes con la interpretación de resultados y los supuestos de cada modelo.
Enseñar la aplicación de los modelos más famosos de Machine Learning en R.
Orientar los temas comprendidos en el curso a aplicaciones de BI.
Reconocer las diferencias entre las ramas de la inteligencia artificial contemporánea.
Entrenar para identificar situaciones en las organizaciones para las cuales la inteligencia artificial puede resolver o mejorar el desempeño relacionado a algún reto o problema.
Proponer técnicas o aproximaciones a retos concretos con una comprensión general de referentes y casos de estudio pertinentes.
El curso está dirigido a personas que deseen desarrollar y aprender habilidades analíticas a partir de modelos de aprendizaje estadístico. En particular los analistas que estén en contacto con los datos de sus organizaciones. Se busca que los estudiantes mejoren sus habilidades en R. Se espera que el curso sea tomado por personas en el entorno laboral que deseen generar un impacto positivo en sus organizaciones por medio de generación de valor agregado a partir de técnicas de Machine Learning. Por último, el curso les dará las herramientas necesarias para desarrollar proyectos de ciencias de datos dentro de sus respectivas organizaciones para crear y responder preguntas que aporten a futuras acciones y decisiones en sus empresas. Los temas del curso cubren desde el planteamiento de las preguntas interesantes de analítica hasta su desarrollo.
Importante: Se espera que los estudiantes tengan conocimientos de programación en R tales como la definición de variables, manejo de condicionales (if, else), ciclos de código iterado (for loop), carga de bases de datos en DataFrames, exploración básica de los datos mediante estadísticas descriptivas (media, varianza, etc.) y selección de columnas o filas. Además, que tengan familiaridad con el entorno de programación RStudio, sus componentes y la instalación de librerías o paquetes adicionales.
Visitar web
Opiniones
Logros de este Centro
Todos los cursos están actualizados
La valoración media es superior a 3,7
Más de 50 opiniones en los últimos 12 meses
Este centro lleva 14 años en Emagister.
Materias
- E learning
- Máquinas
- Machine learning
- Regla MAP
- Métodos generativos
- Naive Bayes
- Métodos discriminativos
- Máquinas de soporte vectorial
- Regresión lineal
- Series de tiempo
Profesores
Alfredo Eleazar Orozco Quesada
Docente
economista de la Universidad de los Andes. Desarrollador web con experiencia en proyectos para facilitar la interacción entre individuos. Su principal interés radica en la innovación educativa ejecutada mediante el diseño de experiencia, el desarrollo tecnológico y la investigación rigurosa. Ha trabajado en la construcción de plataformas para la recolección de datos en procesos de investigación científica como experimentos comportamentales o aplicaciones android para trabajo de campo sin conexión a internet. Ha sido profesor asistente de microeconomía de la misma Universidad
Jacob Muñoz
Profesore
Programa académico
Módulo de Machine Learning – 21 horas
Sesión 1: Conceptos estadísticos introductorios a Machine Learning
- Principios de Machine Learning
- Repaso: Álgebra Lineal, probabilidad y estadística
- Tipos de datos
- Tratamiento de datos estructurados y no estructurados
- Limpieza e imputación de datos
- Tipos de gráficos
- Visualización
- Análisis predictivo
- Regresión lineal y polinomial
- Regularización L1 y L2
- Red elástica
- Regresión logística
- KNN
- LDA
- SVM
- Arboles de clasificación
- Random Forest y Boosting
- Predicción dentro/fuera de muestra
- Métricas de evaluación para regresión: R-cuadrado, MSE, MAPE
- Métricas de evaluación para clasificación: curva ROC, exactitud, precisión, sensibilidad, puntaje F1
- Sobre-ajuste y validación cruzada
- Reducción de dimensionalidad
- Medidas de similitud
- Análisis de clústeres
- K-medias
- Agrupamiento jerarquizado
- Procesamiento de textos.
- Expresiones regulares (regex).
- Análisis cuantitativo de textos.
- Estrategias de selección
- Matriz término-documentos
- Modelos de clasificación a partir de textos.
Sesión 8: IA: en qué mundo vivimos
- Aprendizaje de máquinas vs inteligencia artificial vs aprendizaje profundo (deep learning). Una definición de los campos.
- Los mitos de la inteligencia artificial (presentación con sondeos y discusión).
- Donde estamos: IA débil vs IA fuerte. El futuro de la IA. Los riesgos éticos, sesgos y seguridad en el largo plazo.
- Personajes de juegos inteligentes. Autonomía en carros que se conducen solos. Aprendizaje por refuerzo.
- Agricultura, predicciones y optimización de procesos bajo incertidumbre.
- Aplicaciones en robótica, visión por computador. Robots de alta precisión.
- Un poco de arte. La inteligencia artificial en procesos creativos. Redes generativas.
- AI para el mercadeo.
- Red neuronal recursiva: predicción de lenguaje, aplicaciones en soporte al cliente.
- Procesamiento de lenguaje natural: texto a voz, síntesis de lenguaje. Asistentes artificiales.
- Taller: identificando retos con IA en nuestras organizaciones.
- Reflexión final. Clasificación de enfermedades oculares donde no hay médicos suficientes.
Información adicional
El curso se realizará de manera virtual con sesiones sincrónicas y se divide en dos módulos: ML e IA. En el módulo de ML, cada sesión estará dividida en dos partes. Durante la primera parte el profesor introducirá la teoría e interpretación de cada modelo y en la segunda parte los estudiantes trabajarán en R para desarrollar los temas aprendidos aplicándolos a un tema relacionado con business intelligence. En el módulo de inteligencia artificial (IA) las sesiones intercalan presentaciones y experiencias interactivas, como demostraciones en vivo, sondeos y discusiones.
Al final de cada módulo, se desarrollará un taller corto con el objetivo de aprender a identificar retos en las organizaciones de los participantes. La idea es que los estudiantes puedan llevarse estas metodologías para trabajar por su cuenta y comenzar a observar aplicaciones del Machine Learning y la inteligencia artificial en su entorno.
Machine learning en R y principios de inteligencia artificial