Curso online: especialización profesional certificada en aprendizaje automático y ciencia de datos de Google y DeepLearning.AI, DeepLearning.AI

Domina las herramientas de la inteligencia artificial y el aprendizaje automático. La Metodología Matemática para el Aprendizaje Automático y la Ciencia de Datos es una especialización para principiantes donde aprenderá las herramientas matemáticas básicas del aprendizaje automático: cálculo, álgebra lineal, estadística y teoría de la probabilidad.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Curso online: especialización profesional certificada en aprendizaje automático y ciencia de datos de Google y DeepLearning.AI, DeepLearning.AI

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

  • Estadísticas bayesianas
  • matemáticas
  • Regresión lineal
  • factura
  • aprendizaje automático
  • probabilidad

What you will learn in the course

Courses for which the course is suitable

  • Ingeniero de aprendizaje automático
  • científico de datos
  • analista de datos
  • Desarrollador de algoritmos
  • Experto en inteligencia artificial
  • analista de sistemas
  • Desarrollador de software en el campo de los datos.
  • Investigador en el campo del aprendizaje automático.

Pasantía: una serie de cursos de tres partes

¡Actualizado a 2024!

Matemáticas para aprendizaje automático y ciencia de datos es un programa fundamental en línea creado por DeepLearning.AI e impartido por Luis Serrano. En el aprendizaje automático, se aplican conceptos matemáticos a través de la programación. Por lo tanto, en esta especialización aplicarás los conceptos matemáticos que aprenderás a través de la programación en Python, en el marco de ejercicios prácticos en el laboratorio.

requisitos previos

Como participante de este programa, necesitará habilidades de programación básicas a intermedias en Python para tener éxito. Muchos ingenieros de aprendizaje automático y científicos de datos sienten dificultades con las matemáticas; incluso los profesionales experimentados pueden sentirse limitados por no tener habilidades matemáticas. Esta especialidad utiliza una pedagogía matemática innovadora para ayudarlo a aprender de manera rápida e intuitiva, con cursos que utilizan ilustraciones fáciles de seguir que lo ayudan a ver cómo funcionan realmente las matemáticas detrás del aprendizaje automático.

Recomendaciones

  • Conocimientos matemáticos a nivel de secundaria (funciones, álgebra básica)
  • Familiaridad con la programación (estructuras de datos, bucles, funciones, declaraciones condicionales, depuración)

Las tareas y los laboratorios están escritos en Python, pero el curso presenta todas las bibliotecas de aprendizaje automático que utilizará.

Un proyecto de aprendizaje práctico.

Al finalizar esta pasantía, estarás listo para:

  • Representar datos como vectores y matrices e identificar sus propiedades como singularidad, grado e independencia lineal.
  • Aplicar operaciones comunes de álgebra matricial y vectorial, como multiplicación de puntos, inversiones y determinantes.
  • Expresar operaciones matriciales como transferencias lineales.
  • Aplicar los conceptos de valores propios y vectores propios a problemas de aprendizaje automático, incluido el análisis de componentes principales (PCA).
  • Optimice varios tipos de funciones comúnmente utilizadas en el aprendizaje automático.
  • Hacer caer un shekel en programas neuronales con diferentes funciones de activación y funciones de costo.
  • Señalar las propiedades de las distribuciones de probabilidad comunes.
  • Realizar análisis de datos exploratorios para encontrar, verificar y cuantificar patrones en un conjunto de datos.
  • Cuantificar la certeza de las predicciones realizadas por modelos de aprendizaje automático utilizando intervalos de confianza, márgenes de error, valores p y pruebas de hipótesis.
  • Aplicar métodos estadísticos comunes como MLE y MAP.

Details of the courses that make up the specialization

Álgebra lineal para aprendizaje automático y ciencia de datos

Curso 1 • 34 horas • 4,6 (1.674 valoraciones)

Detalles del curso
¿Qué aprenderás?
  • Representar datos como vectores y matrices e identificar sus propiedades utilizando los conceptos de singularidad, rango e independencia lineal.
  • Aplicar operaciones de álgebra comunes a vectores y matrices como producto escalar, inversa y determinantes.
  • Expresar ciertos tipos de operaciones matriciales como transformaciones lineales y aplicar conceptos de valores propios y vectores propios a problemas de aprendizaje automático.
habilidades que ganarás
  • Categoría: Valores propios y vectores propios
  • Categoría: Ecuaciones lineales
  • Categoría: Determinantes
  • Categoría: aprendizaje automático
  • Categoría: Álgebra lineal

Cálculo para aprendizaje automático y ciencia de datos

Curso 2 • 26 horas • 4,8 (708 valoraciones)

Detalles del curso
¿Qué aprenderás?
  • Optimización analítica de varios tipos de funciones comúnmente utilizadas en el aprendizaje automático utilizando propiedades derivadas y de gradiente.
  • Realice una optimización aproximada de varios tipos de funciones comúnmente utilizadas en el aprendizaje automático.
  • Comprenda visual e intuitivamente las derivadas de varios tipos de funciones comúnmente utilizadas en el aprendizaje automático.
  • Realizar descenso de gradiente en redes neuronales con diferentes funciones de activación y costo.
habilidades que ganarás
  • Categoría: Cálculo
  • Categoría: aprendizaje automático
  • Categoría: método de Newton
  • Categoría: descenso de gradiente
  • Categoría: Optimización matemática

Probabilidad y estadística para aprendizaje automático y ciencia de datos

Curso 3 • 33 horas • 4,6 (447 valoraciones)

Detalles del curso
¿Qué aprenderás?
  • Describir y cuantificar la incertidumbre inherente a las predicciones realizadas por modelos de aprendizaje automático.
  • Comprenda visual e intuitivamente las propiedades de las distribuciones de probabilidad comúnmente utilizadas en el aprendizaje automático y la ciencia de datos.
  • Aplicar métodos estadísticos comunes como la estimación de máxima verosimilitud (MLE) y la estimación máxima a priori (MAP) en problemas de aprendizaje automático.
  • Evalúe el rendimiento de los modelos de aprendizaje automático utilizando estimaciones de intervalos y márgenes de error.
habilidades que ganarás
  • Categoría: Azar y Estadística
  • Categoría: Algoritmos de aprendizaje automático (ML)
  • Categoría: Análisis estadístico
  • Categoría: Oportunidad
  • Categoría: Pruebas de hipótesis estadísticas

Productos relacionados