INTRODUCCION APRENDIZAJE AUTOMATIZADO (MACHINE LEARNING) Y CIENCIA DE DATOS

Objetivo: El Aprendizaje Automático (ML) es acerca de como predecir el futuro en base a información basada en el pasado, esto quiere decir predecir el futuro basado En la observación del pasado, ML es una rama de la Inteligencia Artificial en la cual se aplican algoritmos para resumir las relaciones ocultas entre la información y los datos, además les otorga a los procesadores la habilidad de aprender en base a los datos presentes combinados con algoritmos matemáticos.

1 - INTRODUCCION A MACHINE LEARNING

1.1 – Que es Aprendizaje Automatizado

1.2 – Proceso de Aprendizaje Automatizado

2 – Introducción a la Ciencia de Datos

2.1 - Datos Estructurados y No Estructurados

2.2 - Big Data

2.3 - Minería de Datos

3 - Algoritmos de Aprendizaje Automatizado

3.1 - Tipos de Aprendizaje Automatizado

3.2 – Definiciones y Conceptos Básicos

3.3 – Como elegir un Algoritmo de ML

4 - ALGORITMOS BASICOS

4.1 - Regresion Lineal

4.2 - Regresion Logistica

4.3 - Arbol de Decision (Decision Tree)

4.4 - SVM (Support Vector Machine)

4.5 -Naive Bayes

4. 6 - kNN (K Nearest Neighbors)

4.7 - K-Means

4.8 - Red Neural

5 - OPTIMIZACION del Aprendizaje

5.1 - Generalización, Regulación, Validación Reducción

5.2 - Ensemble Learning

5.3 – Metodos Kernel

5.4 - Random Forest

5.5 - PCA

Retornar a Índice: