Art and Science of Machine Learning en Español

Le damos la bienvenida a The Art and Science of Machine Learning. El curso consta de 6 módulos. En este curso, se abordan las habilidades básicas de intuición, buen criterio y experimentación del AA necesarias para ajustar mejor y optimizar modelos de AA a fin de lograr el mejor rendimiento. Aprenderá a generalizar su modelo usando técnicas de regularización y descubrirá los efectos de los hiperparámetros, como el tamaño del lote y la tasa de aprendizaje, en el rendimiento del modelo. Analizaremos algunos de los algoritmos de optimización de los modelos más comunes y le mostraremos cómo especificar un método de optimización en su código de TensorFlow.

• Introducción
• Le damos la bienvenida a The Art and Science of Machine Learning. En este curso, se abordan las habilidades básicas de intuición, buen criterio y experimentación del AA necesarias para ajustar mejor y optimizar modelos de AA a fin de lograr el mejor rendimiento. Aprenderá a generalizar su modelo usando técnicas de regularización y descubrirá los efectos de los hiperparámetros, como el tamaño del lote y la tasa de aprendizaje, en el rendimiento del modelo. Analizaremos algunos de los algoritmos de optimización de los modelos más comunes y le mostraremos cómo especificar un método de optimización en su código de TensorFlow.
• El arte del AA
• En este módulo, aprenderá a ajustar el tamaño del lote y la tasa de aprendizaje para mejorar el rendimiento del modelo, optimizar su modelo y aplicar los conceptos en el código de TensorFlow.
• Ajuste de hiperparámetros
• En este módulo, aprenderá a diferenciar entre parámetros e hiperparámetros. Luego, veremos el enfoque tradicional de búsqueda por cuadrícula y aprenderemos a ir más allá mediante algoritmos más inteligentes. Por último, verá cómo Cloud ML Engine facilita la automatización del ajuste de hiperparámetros.
• Una pizca de ciencia
• En este módulo, comenzaremos a presentar la ciencia junto con el arte del aprendizaje automático. Primero, hablaremos sobre cómo realizar una regularización para lograr dispersión y, de este modo, conseguir modelos más simples y concisos. Luego, abordaremos la regresión logística y aprenderemos a determinar el rendimiento.
• La ciencia de las redes neuronales
• En este módulo, profundizaremos en la ciencia, específicamente en las redes neuronales.
• Incorporaciones
• En este módulo, aprenderá a usar incorporaciones para administrar los datos dispersos, a fin de que los modelos de aprendizaje automático que usan ese tipo de datos consuman menos memoria y se entrenen más rápido. Las incorporaciones también son una forma de reducir la dimensionalidad. Esto hace que los modelos sean más simples y generalizables.
• Resumen
• Resumen de los puntos clave de aprendizaje del curso.