Curso gratis de Inteligencia Artificial de la Universidad de San Francisco

curso inteligencia artificial de la Universidad de San Francisco

Este curso Inteligencia Artificial gratis trata de introducirte en el machine learning y el deep learning adoptando un enfoque totalmente práctico.

Si estás interesado, sigue leyendo y apúntate para aprender de manos de Jeremy Howard.

El curso Inteligencia Artificial cuenta con un total de 12 lecciones, totalmente visuales, con alrededor de 24 horas de contenido dirigidos a personas que tengan conocimientos previos en programación, sobretodo en Python. Los videos los puedes ver tantas veces quieras pero siempre que tengas conexión a Internet.

¿Te suenan los árboles de decisión o las redes neuronales multicapa?, ¿sabes qué son los datasets o los datos de validación?, ¿quieres aprender a crear una red neuronal desde cero usando PyTorch? Todo esto lo vas a aprender en ese curso de Inteligencia Artificial.

El profesor del curso, Howard, fue el ganador del torneo de ciencia de datos de Kaggle en 2010 y 2011 creando el servicio de correo electrónico FastMail y más tarde fundó el instituto de investigación sobre inteligencia artificial Fast.AI. Como ves es una persona con una gran experiencia que va a ayudarte mucho en este curso.

El curso Inteligencia Artificial es totalmente gratis, no tiene opción de conseguir un certificado y está en inglés. Lo cual no debe ser un impedimento ya que tienes gran cantidad de cursos gratis de inglés para aprender este idioma y que no te suponga ningún esfuerzo.

Lecciones del curso Inteligencia Artificial

Consulta el contenido del curso para saber qué vas a aprender en cada una de las clases:

Lección 1 - Introduction to Random Forests

En esta primera lección te mostrarán cómo crear un "bosque aleatorio", quizás el modelo de aprendizaje automático más ampliamente aplicable, cómo usar un Jupyter Notebook para construir y analizar modelos, descargar datos y otras habilidades básicas que necesitas para comenzar a aprender en la máquina.

Lección 2 - Random Forest Deep Dive

Aquí empezarás a aprender sobre métricas, funciones de pérdida y sobreajuste.

Lección 3 - Performance, Validation and Model Interpretation

Aprenderás a leer un conjunto de datos grande y cómo crear un bosque aleatorio para ese conjunto de datos. También discutirás el concepto de ingeniería de software de "creación de perfiles" para aprender cómo acelerar el código si no es lo suficientemente rápido.

Lección 4 - Feature importance, tree interpreter

En esta lección aprenderemos las dos técnicas de interpretación más importantes: las parcelas de dependencia parcial y el "intérprete de árbol".

Lección 5 - Extrapolation and RF from scratch

¡Aquí comenzarás a escribir tu propio bosque aleatorio desde cero!

Lección 6 - Datos products and live coding

En esta lección del curso de Inteligencia Artificial explorarás el tema de la extrapolación  utilizando un enfoque de codificación en vivo; también aprovecharemos esta oportunidad para aprender un par de trucos útiles y algo complicados.

Lección 7 - RF from scratch and gradient descent

En esta clase verás brevemente la increíble biblioteca "cython" que puedes usar para obtener la misma velocidad que el código C con cambios mínimos en su código python.

Lección 8 - Gradient descent and logistic regression

En esta lección utilizarás Pytorch para ayudarte a implementar la regresión logística desde cero y construirás un modelo para el clásico conjunto de datos MNIST de dígitos escritos a mano.

Lección 9 - Regularization, learning rates and NLP

En esta novena lección construirás una serie de modelos incluyendo los ingenuos bayes y la regresión logística, y mejorarás estos modelos agregando características de ngram.

Lección 10 - More NLP and columnar data

Ahora es hora de crear una nueva clase nn.Module en Pytorch y verás qué está haciendo detrás de escena.

Lección 11 - Embeddings

En esta penúltima clase del curso Inteligencia Artificial, después de una revisión de las matemáticas detrás de los ingenuos bayes, profundizarás en las incrustaciones, tanto para las variables categóricas en datos tabulares como para las palabras en PNL.

Lección 12 - Complete rossmann, ethical issues

En esta última clase reunirás todo lo aprendido para crear un modelo completo para el conjunto de datos de Rossmann.

Además, estudiarás algunos problemas éticos que surgen al implementar modelos de aprendizaje automático y verás por qué deberían ser importantes para los profesionales y las formas de pensar sobre ellos. ¡Muchos estudiantes comentan que  esta es la parte más importante del curso!

¿Qué te ha parecido el curso Inteligencia Artificial?, ¿nos ayudas a compartirlo?

Cursos Gratis en tu Email

Suscríbete y recibe los cursos gratis en tu correo

Cursos relacionados

Subir