Cree aplicaciones inteligentes. Domine lo abstracto del aprendizaje automático en cuatro cursos prácticos.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Esta pasantía realizada por investigadores líderes de la Universidad de Washington le presenta el apasionante y altamente demandado campo del aprendizaje automático. A través de una serie de casos prácticos, obtendrá experiencia práctica en áreas clave del aprendizaje automático, que incluyen:
Aprenderá a analizar sistemas de datos grandes y complejos, crear sistemas que se adapten y mejoren con el tiempo y crear aplicaciones inteligentes que puedan hacer predicciones a partir de datos.
Los estudiantes implementarán e implementarán algoritmos de predicción, clasificación, agrupamiento y recuperación de información de aprendizaje automático en conjuntos de datos reales en cada curso de la especialización. Se fueron con experiencia práctica en aprendizaje automático y programación Python.
En este curso experimentarás el aprendizaje automático a través de una serie de casos prácticos. Al final del primer curso, aprenderá a predecir los precios de los apartamentos en función de sus características, analizar las emociones de los comentarios de los usuarios, recuperar documentos relevantes, recomendar productos y buscar imágenes. A través de la práctica práctica en estos casos, podrá aplicar métodos de aprendizaje automático en una amplia variedad de campos.
Este curso trata la metodología de aprendizaje automático como una caja negra. Con esta abstracción, se concentrará en comprender las tareas relevantes, adaptarlas a las herramientas de aprendizaje automático y evaluar la calidad del producto. En los siguientes cursos explorará los componentes de esta caja negra examinando modelos y algoritmos. Juntos, estos componentes forman el proceso de la máquina de aprendizaje, que usted movilizará para desarrollar aplicaciones inteligentes.
En nuestro primer caso de prueba, la predicción de precios de apartamentos, creará modelos que predicen un valor continuo (precio) a partir de atributos de entrada (área, número de habitaciones y baños,…). Este es sólo uno de los muchos ejemplos en los que se puede aplicar la hidratación. Otras aplicaciones van desde predecir resultados de salud en medicina, precios de acciones en finanzas hasta analizar efectos sobre la expresión genética.
En este curso explorará modelos de hidratación lineal regular para tareas de predicción y selección de características. Podrá manejar conjuntos de funciones muy grandes y elegir entre modelos con diferentes niveles de complejidad. También analizará el impacto de diferentes aspectos de sus datos, como los valores atípicos, en los modelos y predicciones que elija. Para ajustarse a estos modelos, aplicará algoritmos de optimización que puedan ajustarse a grandes conjuntos de datos.
En nuestro caso de prueba de análisis de sentimientos, creará modelos que predicen la clase (sentimientos positivos/negativos) a partir de características de entrada (contenido de revisión, información de perfil de usuario,…). En el segundo caso de prueba de este curso, la previsión de reembolso de préstamos, manejará datos financieros y sabrá cuándo un préstamo puede ser riesgoso o seguro para el banco. Estas tareas son ejemplos de clasificación, una de las áreas de aprendizaje automático más utilizadas, con una amplia gama de aplicaciones, incluida la orientación publicitaria, la detección de spam, el diagnóstico médico y la clasificación de imágenes.
En este curso, creará clasificadores que brinden un rendimiento de primer nivel en una variedad de tareas. Aprenderá sobre las técnicas más exitosas y utilizadas en el campo, incluida la hidratación logística, los árboles de decisión y el rebote. Además, diseñará e implementará los algoritmos subyacentes que pueden aprender estos modelos a escala, utilizando el ascenso de gradiente estocástico. Aplique estas técnicas a tareas reales de aprendizaje automático a gran escala. También abordará tareas importantes que encontrará en aplicaciones de aprendizaje automático del mundo real, incluido el manejo de datos faltantes y la medición de la precisión y la recuperación para evaluar un clasificador. Este curso es práctico, está lleno de actividades e incluye simulaciones e ilustraciones de cómo se comportarán estas técnicas en datos reales. ¡También hemos incluido contenido opcional en cada módulo, que cubre temas avanzados para aquellos interesados en profundizar aún más!
Un lector está interesado en un artículo de noticias en particular y desea encontrar artículos similares para recomendar. ¿Cuál es el concepto correcto de imaginación? Además, ¿qué pasa si hay millones de otros documentos? Cada vez que desee recuperar un documento nuevo, ¿tendrá que buscar entre todos los demás documentos? ¿Cómo se agrupan documentos similares? ¿Cómo puede descubrir temas nuevos y emergentes sobre los que tratan los artículos?
En este tercer caso de prueba, para encontrar documentos similares, se examinan algoritmos basados en la similitud para su recuperación. En este curso, también examinará representaciones estructuradas para describir los documentos en el corpus, incluidos los modelos de agrupación y membresía mixta, como la asignación latente de Dirichlet (LDA). Aplicará la optimización esperada (EM) para conocer los grupos de documentos y tendrá un ejemplo para ampliar los métodos utilizando MapReduce.
