Curso en línea: certificado profesional certificado en aprendizaje automático de IBM

Prepárese para una carrera en aprendizaje automático. Adquiera las habilidades y la experiencia práctica necesarias para estar listo para trabajar en menos de 3 meses.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Curso en línea: certificado profesional certificado en aprendizaje automático de IBM

Professional Certificate

nivel intermedio

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Herramientas: Jupyter Notebooks y Watson Studio
  • Bibliotecas: Pandas, NumPy, Matplotlib, Seaborn, ipython-sql, Scikit-learn, ScipPy, Keras y TensorFlow.
  • Algoritmos: aprendizaje supervisado y no supervisado, regresión, clasificación, agrupamiento, regresión lineal, regresión de crestas, algoritmos de aprendizaje automático (ML), árbol de decisión, aprendizaje de decenas, análisis de supervivencia, agrupamiento de K-medias, DBSCAN y reducción de dimensionalidad de datos.

What you will learn in the course

Courses for which the course is suitable

  • Ingeniero de aprendizaje automático
  • investigador de PNL
  • Ingeniero de datos
  • Desarrollador de inteligencia artificial
  • analista de datos
  • científico de datos
  • Experto en aprendizaje automático
  • Desarrollador de algoritmos
  • Responsable de proyectos en el campo del aprendizaje computacional.
  • Consultor tecnológico en el campo de la inteligencia artificial
## Certificado profesional: una serie de 6 cursos Prepárese para una carrera en el campo del aprendizaje computacional. En este programa, aprenderá las habilidades necesarias, como inteligencia artificial y aprendizaje computacional, para **estar listo para trabajar en menos de 3 meses.** El aprendizaje computacional es el uso y desarrollo de sistemas informáticos que pueden aprender y adaptarse por sí mismos utilizando algoritmos y Modelos estadísticos para analizar y sacar conclusiones de los datos. **El aprendizaje computacional es una rama de la inteligencia artificial (IA)** donde se enseña a las computadoras a imitar la inteligencia humana y resolver tareas complejas. Los puestos disponibles para aquellos con conocimientos de aprendizaje automático incluyen ingeniero de aprendizaje automático, investigador de PNL e ingeniero de datos. Este programa incluye cursos que brindan una sólida comprensión teórica y una práctica extensa en los principales algoritmos, usos y si conducen al aprendizaje computacional. Los temas cubiertos incluyen **aprendizaje supervisado y no supervisado, regresión, clasificación, agrupación, aprendizaje profundo y aprendizaje por refuerzo.** Aprenderá a **codificar sus propios proyectos** utilizando algunos de los marcos y bibliotecas de código abierto más relevantes, y Aplique lo que ha aprendido en una variedad de cursos completando un proyecto final. Al finalizar los cursos, tendrá una **cartera de proyectos y un certificado profesional** de IBM para demostrar su experiencia. También recibirá una insignia digital de IBM y acceso a recursos profesionales para ayudarle con su búsqueda de empleo, incluidas entrevistas de muestra y soporte para currículums. ### Proyecto de aprendizaje práctico Este certificado profesional enfatiza el desarrollo de las habilidades prácticas necesarias para avanzar en una carrera computacional y de aprendizaje profundo. Todos los cursos incluyen una serie de laboratorios prácticos y proyectos finales que te ayudarán a concentrarte en un proyecto específico que te interese. Durante este certificado profesional, estará expuesto a una variedad de herramientas, bibliotecas, servicios en la nube, sistemas de datos, algoritmos, tareas y proyectos que le brindarán habilidades prácticas para usar en trabajos en el campo del aprendizaje computacional. Estas habilidades incluyen: – **Herramientas:** Jupyter Notebooks y Watson Studio – **Bibliotecas:** Pandas, NumPy, Matplotlib, Seaborn, ipython-sql, Scikit-learn, ScipPy, Keras y TensorFlow. – **Algoritmos:** Aprendizaje supervisado y no supervisado, regresión, clasificación, agrupamiento, regresión lineal, regresión de crestas, algoritmos de aprendizaje automático (ML), árbol de decisión, aprendizaje de decenas, análisis de supervivencia, agrupamiento de K-medias, DBSCAN y datos de reducción. dimensiones.

Details of the courses that make up the specialization

Análisis exploratorio de datos para el aprendizaje automático.

Curso 1 • 14 horas • 4,6

Detalles del curso

¿Qué aprenderás?

Este curso le presenta el aprendizaje automático y el contenido del certificado profesional. Durante el curso comprenderás la importancia de los datos de calidad. Aprenderá técnicas comunes para recopilar datos, limpiarlos, utilizar la ingeniería de funciones y prepararlos para el análisis inicial y la prueba de hipótesis.

  • Recopile datos de diferentes fuentes: SQL, bases de datos NoSQL, API, nube
  • Describir y utilizar técnicas comunes en la selección e ingeniería de funciones.
  • Manejar atributos categóricos y de clasificación, así como valores faltantes
  • Utilice una variedad de técnicas para identificar y manejar valores anormales.
  • Explicar por qué cambiar el tamaño es importante y utilizar una variedad de técnicas de cambio de tamaño.

¿Quién debería tomar este curso?

Este curso está diseñado para aquellos interesados ​​en convertirse en científicos de datos y que buscan adquirir experiencia práctica en aprendizaje automático e inteligencia artificial en entornos empresariales.

Habilidades que adquirirás

  • Categoría: análisis de conglomerados
  • Categoría: reducción dimensional
  • Categoría: aprendizaje no supervisado
  • Categoría: Análisis de Componentes Principales (PCA)
  • Categoría: K Media cluster

Aprendizaje automático supervisado: regresión

Curso 2 • 20 horas • 4,7

Detalles del curso

¿Qué aprenderás?

Este curso le presenta uno de los principales tipos de modelos en el aprendizaje supervisado: la regresión. Aprenderá cómo entrenar modelos de regresión para predecir resultados continuos y cómo utilizar métricas de error para comparar diferentes modelos.

  • Distinguir entre los usos y aplicaciones de la clasificación y la regresión.
  • describir y utilizar modelos de regresión lineal
  • Utilice regresiones de regularización: Ridge, LASSO y Elastic net

¿Quién debería tomar este curso?

Este curso está dirigido a aquellos que estén interesados ​​en convertirse en científicos de datos y busquen adquirir experiencia práctica en técnicas de regresión en aprendizaje automático supervisado en entornos empresariales.

Habilidades que adquirirás

  • Categoría: aprendizaje no supervisado
  • Categoría: Algoritmos de aprendizaje automático (ML)
  • Categoría: aprendizaje supervisado
  • Categoría: Algoritmos de clasificación
  • Categoría: árbol de decisión

Aprendizaje automático supervisado: clasificación

Curso 3 • 24 horas • 4,8

Detalles del curso

¿Qué aprenderás?

Este curso le presenta uno de los tipos clave de la familia de modelos de aprendizaje automático supervisados: la clasificación. Aprenderá a entrenar modelos predictivos para clasificar resultados categóricos.

  • Distinguir entre los usos y aplicaciones de la clasificación y conjuntos de clasificación.
  • describir y utilizar modelos de regresión logística
  • Utilice una variedad de métricas de error para comparar y elegir el modelo de clasificación que mejor se ajuste a sus datos.

¿Quién debería tomar este curso?

Este curso está diseñado para aquellos interesados ​​en convertirse en científicos de datos y que buscan obtener experiencia práctica en técnicas de clasificación de aprendizaje automático supervisado en entornos empresariales.

Habilidades que adquirirás

  • Categoría: redes neuronales artificiales
  • Categoría: Análisis de datos
  • Categoría: programación en Python
  • Categoría: aprendizaje supervisado
  • Categoría: aprendizaje automático no supervisado

Aprendizaje automático no supervisado

Curso 4 • 23 horas • 4,7

Detalles del curso

¿Qué aprenderás?

Este curso le presenta uno de los principales tipos de aprendizaje en el aprendizaje automático: el aprendizaje no supervisado. Aprenderá a encontrar información a partir de conjuntos de datos que no tienen una variable objetivo o un clasificador.

  • Explicar los tipos de problemas adecuados para enfoques de aprendizaje no supervisados.
  • Describir y utilizar algoritmos comunes de agrupamiento y reducción de dimensionalidad.

¿Quién debería tomar este curso?

Este curso está diseñado para aquellos interesados ​​en convertirse en científicos de datos y que buscan adquirir experiencia práctica en técnicas de aprendizaje no supervisado en entornos empresariales.

Habilidades que adquirirás

  • Categoría: redes neuronales artificiales
  • Categoría: Aprendizaje por refuerzo
  • Categoría: aprendizaje automático
  • Categoría: aprendizaje profundo
  • categoría: keras

Aprendizaje profundo y aprendizaje reforzado

Curso 5 • 31 horas • 4,6

Detalles del curso

¿Qué aprenderás?

Este curso le presenta dos de las especializaciones más solicitadas en aprendizaje automático: aprendizaje profundo y aprendizaje reforzado.

  • Explicar los proveedores de problemas adecuados para enfoques de aprendizaje no supervisados.
  • Especificar y utilizar algoritmos comunes para agrupación y reducción de dimensionalidad.

¿Quién debería tomar este curso?

Este curso está dirigido a aquellos que estén interesados ​​en convertirse en científicos de datos y busquen adquirir experiencia práctica en aprendizaje profundo y aprendizaje reforzado.

Habilidades que adquirirás

  • Categoría: Regresión lineal
  • Categoría: Algoritmos de aprendizaje automático (ML)
  • Categoría: Cresta de regresión
  • Categoría: aprendizaje supervisado
  • Categoría: Análisis de regresión

Productos relacionados