Curso gratis de introducción al Machine Learning

Este curso gratis de la Universidad de San Francisco introducirá en el machine learning y el deep learning a gente con conocimientos previos de programación con un enfoque totalmente práctico.

¡No lo dejes escapar!

¿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? Todas estas cosas la aprenderás en este MOOC.

Este curso gratis y online no tiene opción a certificado y es totalmente en inglés, lo que no debe suponer ningún inconveniente ya que tenemos infinidad de cursos gratis de inglés disponibles para ponerte al día con el idioma y que no resulte ser un impedimento.

El curso gratis está formado por aproximadamente 24 horas de clases en las que tendrá que invertir 8 horas a la semana durante 12 semanas para completarlo. Todo ello, gestionado totalmente a tu ritmo.

Lecciones del curso gratis de Machine Learning

A continuación puedes consultar el contenido del curso a grandes rasgos:

Lección 1

En esta primera lección aprenderás cómo crear un "bosque aleatorio", el modelo de aprendizaje automático más conocido, para crear una solución a la competencia Kaggle "Bull Book for Bulldozers", que lo llevará al 25% superior en el tabla de clasificación.

Lección 2

Aquí aprenderás sobre métricas, funciones de pérdida y sobreajuste.

Lección 3

En este punto del curso, aprenderás cómo leer un conjunto de datos grande y también cómo crear un bosque aleatorio para ese conjunto de datos. ¡Una lección muy completa!

Lección 4

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

Lección 5

En esta quinta lección continuarás aprendiendo más sobre el "intérprete de árbol", incluido el uso de gráficos en cascada para analizar su producción.

Lección 6

Ahora aprenderás a crear productos de datos basados ​​en modelos de aprendizaje automático que se basan ​​en el "Método de transmisión" y, en particular, cómo la interpretación del modelo es una parte importante de este enfoque.

Lección 7

Aquí verás brevemente la biblioteca Cython que se puede utilizar para obtener la misma velocidad que el código C con cambios mínimos en su código Python.

Lección 8

En este punto del curso pasarás a estudiar enfoques basados ​​en árboles de decisión, como bosques aleatorios, y a enfoques basados ​​en el descenso de gradientes, como el aprendizaje profundo.

Lección 9

Hoy continuamos construyendo nuestra regresión logística desde cero, y le agregamos la característica más importante: la regularización. También se comentará cómo funcionan las tasas de aprendizaje y cómo elegir una para su problema

Lección 10

En la lección de hoy, desarrollarás el modelo de PNL combinando las fortalezas de los ingenuos bayes y la regresión logística, creando el modelo híbrido "NB-SVM".

Para hacer esto, crearemos una nueva clase nn.Module en Pytorch y verás qué está haciendo detrás de escena.

Lección 11

Hoy, después de una revisión de las matemáticas detrás de los ingenuos bayes, profundizaremos en las incrustaciones, tanto para las variables categóricas en datos tabulares como para las palabras en PNL.

Lección 12

En este punto del curso crearás un modelo completo para el conjunto de datos de Rossmann, incluidas las características categóricas y continuas, y una cuidadosa ingeniería para todas las columnas.

Esperamos que os resulte muy útil y podáis aprovechar todo lo que aprenderéis en este curso gratis de programación. ¡Hasta la próxima!