free web templates

© Copyright 2019 zinolabs - All Rights Reserved

Módulos y temario

Módulo I -  Introducción

Primeramente es necesario abordar temas y conceptos básicos del aprendizaje de maquina, como por ejemplo los tipos de aprendizaje, los problemas que se pueden resolver, el proceso que sigue la creación de una solución de este tipo y otros conceptos que son necesarios para el entendimiento a nivel general de este tipo de software. Adicionalmente daremos un vistazo al uso de las herramientas que se usaran en el curso.

Módulo II - Conceptos básicos de validación 

Como en todo proceso científico experimental, existen situaciones donde la solución no es correcta o está incompleta, por lo que necesitamos poder identificar este tipo de coyunturas, para ello veremos en este modulo cómo hacerlo. De igual forma también veremos un conjunto de instrumentos que nos ayudan a evaluar de forma sencilla la validez de un modelo.

Módulo III - Métricas de evaluación 

Uno de los usos mas comunes que tienen los modelos de aprendizaje automático, es el de realizar tareas de clasificación, por lo que es necesario conocer las métricas especificas de evaluación de este tipo de soluciones, con las cuales podemos validar y verificar el modelo.

Módulo IV - Elementos visuales de validación 

Los elementos visuales son una poderosa herramienta para mostrar los hallazgos de validación y verificación, ya que nos permiten de una manera clara y simple contar a terceros sobre la efectividad de los módelos. En este módulo veremos algunas de estas herramientas así como su interpretación y uso.

Módulo V - Deep learning 

Las soluciones de software basados en deep learning se han vuelto las más populares por lo resultados tan impresionantes que ofrecen. Daremos una breve introducción a este tipo de módelos, así como sus aplicaciones, pero principalmente a como los verificamos.

Módulo VI - Ética

Uno de los grandes problemas con los sistemas de aprendizaje automatico es que pueden multiplicar los sesgos y los prejuicios, voluntarios o involuntarios, de sus creadores por lo que es muy importante identificar estas situaciones, en este módulo abordaremos las técnicas necesarias para su tratamiento.

Temario Completo

* Introducción 

Repaso estadística
Introducción al aprendizaje de maquina
Introducción al testing de machine learning
Creando nuestro ambiente de trabajo
Herramientas de pruebas


* Conceptos básicos de validación 

Overfitting
Underfitting
Validación cruzada
Matriz de confusión


* Métricas de evaluación 

Métricas de evaluación de clasificadores
Métricas de evaluación para modelos de regresión
Métricas de evaluación de clusters
Métricas de evaluación para clasificación multiclase


* Elementos visuales de validación 

Curvas de validación
Curvas de aprendizaje
Calibración de probabilidades
Curvas ROC


* Deep learning 

Introduccion a Deep learning
Introducción a NLP
Ejemplos adversariales


* Equidad y ética 

Sesgos y equidad