Google lanzó una serie de cursos gratuitos diseñados para enseñar Machine Learning. Estos programas están diseñados para llevar a los estudiantes, incluso aquellos sin experiencia previa, a través de una amplia gama de conceptos y aplicaciones en el campo de la Inteligencia Artificial.
Cuáles son los cursos gratuitos de Machine Learning
Los cursos abarcan desde un nivel básico hasta avanzado, ofreciendo a los estudiantes una variedad de ejercicios prácticos, como guías y glosarios para facilitar su aprendizaje. Los programas disponibles son los siguientes:
- Introducción al aprendizaje automático: objetivos del curso:
- Comprender los diferentes tipos de aprendizaje automático.
- Entender los conceptos clave del aprendizaje automático supervisado.
- Obtener información sobre cómo resolver los problemas con el aprendizaje automático (AA) difiere de los enfoques tradicionales.
- Duración: 20 minutos.
- Curso intensivo de aprendizaje automático: objetivo del curso:
- Introducción rápida y práctica al aprendizaje automático de Google, que incluye una serie de lecciones con clases por video, casos de éxito reales y ejercicios prácticos.
- Duración: 15 horas.
- Introducción al enmarcado de problemas del aprendizaje automático: objetivos del curso:
- Identificar si el aprendizaje automático es una buena solución para un problema.
- Aprende a enmarcar un problema de aprendizaje automático.
- Comprender cómo elegir el modelo correcto y definir métricas de éxito.
- Duración: 45 minutos.
- Preparación de datos e ingeniería de atributos en AA: objetivos del curso:
- Reconocer el impacto relativo de la calidad y el tamaño de los datos en los algoritmos
- Establezca expectativas fundamentadas y realistas sobre el tiempo necesario para transformar los datos.
- Explicar un proceso típico para la recopilación y transformación de datos dentro del flujo de trabajo general del AA
- Recopilar datos sin procesar y construir un conjunto de datos.
- Muestrea y divide tu conjunto de datos con consideraciones para datos desequilibrados.
- Transformar los datos numéricos y categóricos
- Duración: 175 minutos.
- Pruebas y depuración en aprendizaje automático: objetivo del curso:
- Validar los datos de atributos sin procesar y los datos de atributos de ingeniería
- Depurar un modelo de AA para que funcione el modelo
- Implementa pruebas que simplifiquen la depuración.
- Optimizar un modelo de AA en funcionamiento
- Supervisa las métricas del modelo durante el desarrollo, el lanzamiento y la producción.
- Duración: 4 horas.
- Bosques de decisión: objetivos del curso:
- Explicar los árboles de decisión y los bosques de decisión
- Determinar cómo hacen predicciones los árboles y los bosques de decisión
- Comprende cómo los diferentes tipos de bosques de decisión, como bosques aleatorios y árboles con boosting del gradiente
- Explicar cuándo los bosques de decisión tienen un buen rendimiento y cuáles son sus limitaciones.
- Desarrollar una idea de cómo usar los bosques de decisión de manera eficaz.
- Duración: 2,5 horas.
- Sistemas de recomendación: objetivos del curso:
- Describir el propósito de los sistemas de recomendación
- Comprende los componentes de un sistema de recomendación, que incluye la generación de candidatos, la puntuación y la reclasificación.
- Usa incorporaciones para representar elementos y consultas.
- Desarrolla una comprensión técnica más profunda de las técnicas comunes que se usan en la generación de candidatos.
- Usa TensorFlow para desarrollar dos modelos que se usan en la recomendación: la factorización de matrices y softmax.
- Duración: 4 horas.
- Agrupación en clústeres: objetivo del curso:
- Define el agrupamiento en clústeres para las aplicaciones de AA.
- Preparar datos para el agrupamiento en clústeres.
- Define la similitud para tu conjunto de datos.
- Comparar medidas de similitud supervisadas y manuales.
- Usa el algoritmo k-means para agrupar los datos.
- Evaluar la calidad del resultado del agrupamiento en clústeres.
- Duración: 4 horas.
- Redes generativas adversarias: objetivo del curso:
- Comprende la diferencia entre modelos generativos y discriminativos.
- Identificar los problemas que las GAN pueden resolver
- Comprende las funciones del generador y el discriminador en un sistema GAN.
- Comprende las ventajas y desventajas de las funciones comunes de pérdida de GAN.
- Identificar posibles soluciones a problemas comunes con la capacitación de GAN
- Usa la biblioteca de TF GAN para crear una GAN.
Cómo inscribirse a los cursos gratuitos de Google
Para poder acceder a los cursos gratuitos de Google se deben seguir los siguientes pasos:
- Acceder a la página oficial de Machine Learning.
- Elegir el programa de preferencia entre los Cursos básicos y los Cursos avanzados.
