Python para aprendizaje automático: curso 49.990 rublos. de Especialista, capacitación, Fecha: 27 de noviembre de 2023.

El curso se centra en el uso de Python para tecnologías de aprendizaje automático. Se estudian las principales bibliotecas utilizadas en el aprendizaje automático y los métodos para utilizarlas.
El curso se imparte en base a las bibliotecas de aprendizaje automático Scikit-Learn y TensorFlow. Durante el proceso de aprendizaje, se utilizan activamente las herramientas de desarrollo Jupyter Notebook y Jupyter-Lab. También se utilizan recursos de computación en la nube de Google Colab.
El curso está recomendado para programadores de Python y especialistas en ciencia de datos.

Aprenderás:
aplicar tecnologías de aprendizaje automático;
utilizar modelos de clasificación, regresión y agrupamiento;
utilizar métodos de preprocesamiento de datos y coberturas de aprendizaje automático;
seleccionar modelos de aprendizaje automático en función de la calidad de su trabajo;
Profundice su conocimiento de Python y domine las herramientas modernas para desarrollar modelos de aprendizaje automático.

Módulo 1. Planteamiento del problema del aprendizaje automático (2 ac. h.)

Tres tipos de aprendizaje automático.
Esquema para la construcción de sistemas de aprendizaje automático.
Herramientas necesarias.
Practique la creación de un entorno de trabajo y el uso de Anaconda y Jupyter Notebook.
Módulo 2. Entrenamiento con un profesor. Problema de clasificación (6 ak. h.)
El concepto de red neuronal.
Perceptrón. Definición, implementación y formación.
Neurona lineal adaptativa. Definición, implementación y formación.
Método de descenso de gradiente.
Descenso de gradiente estocástico en una neurona lineal adaptativa.
Aprendizaje dinámico sobre big data.
Practique con modelos y conjuntos de datos de Scikit-Learn.
Practica en Jupyter Notebook.
Módulo 3. La biblioteca scikit-learn, sus principales características (6 ac. h.)
Entrenamiento de perceptrones.
Método de regresión logística.
Máquinas de vectores soporte.
El método de los k vecinos más cercanos.
Árboles de decisión.
Un conjunto de árboles arbitrarios.
Practica en Jupyter Notebook.
Módulo 4. Entrenamiento con un profesor. Problema de regresión (6 ak. h.)
Entrenamiento con un profesor. Problema de regresión.
Regresión lineal.
Método de mínimos cuadrados.
Método de descenso de gradiente.
Trabajando con emisiones. Algoritmo RANSAC().
Técnica bootstrap para coeficientes de regresión.
Evaluación de la calidad del modelo de regresión.
Conceptos básicos de la regresión no lineal.
Practica en Jupyter Notebook.
Módulo 5. Preprocesamiento de datos, selección de características y modelos (6 ac. h.)
Manejo de datos faltantes.
Categorías de procesamiento.
Modelos de preprocesamiento y entrenamiento.
Selección de características significativas.
Exploración de características importantes utilizando bosques aleatorios.
Tuberías de aprendizaje automático.
Validación cruzada y selección de modelos.
Practica en Jupyter Notebook.
Módulo 6. Aprender sin maestro. Análisis de conglomerados (6 ac. h.)
Método K-medias.
Análisis de componentes principales.
Análisis discriminante lineal.
Agrupación jerárquica.
Agrupación por densidad.
Practica en Jupyter Notebook.
Módulo 7. Fundamentos del aprendizaje profundo (8 ac. h.)
Gráficos y computación distribuida.
Instalación de Tensorflow.
Tensores.
Conjuntos de datos.
Interfaz de aplicación (API) Keras.
Regresión lineal con descenso de gradiente estocástico.
Clasificación mediante red neuronal de dos capas de datos de Iris.
Funciones de activación de capas neuronales.
Clasificación de datos MNIST.
Practica en Google Colab.