Curso intensivo de aprendizaje automático
Introducción práctica y acelerada al aprendizaje automático de Google, que incluye una serie de videos animados, visualizaciones interactivas y ejercicios prácticos.
Más de 100 ejercicios
12 módulos
15 horas
Videos explicativos de conceptos de AA
Ejemplos del mundo real
Visualizaciones interactivas
¿Qué novedades hay en el Curso intensivo de aprendizaje automático?
Desde 2018, millones de personas en todo el mundo han confiado en Machine Learning Crash Course para aprender cómo funciona el aprendizaje automático y cómo puede beneficiarlos. Nos complace anunciar el lanzamiento de una versión actualizada de la MLCC que abarca los avances recientes en la IA, con un mayor enfoque en el aprendizaje interactivo. Mira este video para obtener más información sobre el nuevo y mejorado MLCC.
Módulos del curso
Cada módulo del Curso intensivo de aprendizaje automático es independiente, por lo que, si tienes experiencia previa en este campo, puedes ir directamente a los temas que quieras aprender. Si es la primera vez que usas el aprendizaje automático, te recomendamos que completes los módulos en el siguiente orden.
Modelos de AA
En estos módulos, se abordan los aspectos básicos de la compilación de modelos de regresión y clasificación.
Regresión lineal
Una introducción a la regresión lineal, que abarca los modelos lineales, la pérdida, el descenso del gradiente y el ajuste de hiperparámetros.
Regresión logística
Una introducción a la regresión logística, en la que los modelos de AA están diseñados para predecir la probabilidad de un resultado determinado.
Clasificación
Una introducción a los modelos de clasificación binaria, que abarca el umbral, las matrices de confusión y métricas como la exactitud, la precisión, la recuperación y el AUC.
Datos
En estos módulos, se abordan las técnicas fundamentales y las prácticas recomendadas para trabajar con datos de aprendizaje automático.
Cómo trabajar con datos numéricos
Aprende a analizar y transformar datos numéricos para ayudar a entrenar modelos de AA de forma más eficaz.
Cómo trabajar con datos categóricos
Aprende los aspectos básicos para trabajar con datos categóricos: cómo distinguirlos de los datos numéricos, cómo representarlos numéricamente con codificación one-hot, codificación de hash de atributos y codificación media, y cómo realizar cruces de atributos.
Conjuntos de datos, generalización y sobreajuste
Una introducción a las características de los conjuntos de datos de aprendizaje automático y cómo preparar tus datos para garantizar resultados de alta calidad cuando entrenes y evalúes tu modelo.
Modelos de AA avanzados
Estos módulos abarcan arquitecturas avanzadas de modelos de AA.
Redes neuronales
Una introducción a los principios fundamentales de las arquitecturas de redes neuronales, incluidos los perceptrones, las capas ocultas y las funciones de activación.
Incorporaciones
Aprende cómo las incorporaciones te permiten realizar aprendizaje automático en vectores de características grandes.
Nuevo
Los modelos de lenguaje grandes
Una introducción a los modelos de lenguaje extensos, desde los tokens hasta los Transformers. Aprende los conceptos básicos de cómo los LLM aprenden a predecir el resultado de texto, así como cómo se estructuran y entrenan.
AA en el mundo real
En estos módulos, se abordan consideraciones fundamentales para compilar e implementar modelos de AA en el mundo real, incluidas las prácticas recomendadas para la producción, la automatización y la ingeniería responsable.
Sistemas del AA de producción
Aprende cómo funciona un sistema de producción de aprendizaje automático en una amplia variedad de componentes.
Nuevo
AutoML
Aprende los principios y las prácticas recomendadas para usar el aprendizaje automático automatizado.
Equidad de AA
Aprende los principios y las prácticas recomendadas para auditar modelos de AA en busca de equidad, incluidas las estrategias para identificar y mitigar los sesgos en los datos.