Ciencia de Datos con Spark & Tensorflow
La Inteligencia Artificial y los métodos de Ciencia de Datos basados en Machine Learning, Deep Learning e Inteligencia Artificial sobre entornos de Big Data están ofreciendo a las empresas nuevas posibilidades en la exploración analítica de sus datos. En este programa aprenderás a implementar diferentes modelos analíticos de Regresión Lineal. Arboles de Decisión, Random Forest, Redes Neuronales, Redes Convolucionales, Redes Recurrentes y métodos de clusterización, aplicados a tablas de bases de datos, imágenes y visión artificial, con técnicas de tuning de código, tensorización de features, calibración de parámetros de modelos, paralelización de código sobre clústers, sizing de infraestructura y despliegue en entornos de Big Data y Cloud sobre CPU y GPU.
Responsable | Carlos Fierro |
---|---|
Última actualización | 16/08/2023 |
Tiempo de finalización | 11 minutos |
Miembros | 1 |
Share This Course
Compartir enlace
Share on Social Media
Share by Email
Por favor iniciar sesión para compartir esto Ciencia de Datos con Spark & Tensorflow por correo.
-
MÓDULO 1: Algoritmos de Machine Learning y Modelos de Segmentación con Kmeans
-
Introducción Teórica a los Modelos Analíticos
-
Algoritmos de Machine Learning
-
Algoritmos de Deep Learning
-
Algoritmos de Inteligencia Artificial
-
Business Intelligence aplicado a la empresa
-
Infraestructura de Procesamiento Analítico
-
Clústers de Big Data vs Servidores de GPU
-
Spark como Motor de Procesamiento para Algoritmos de Machine Learning
-
Tensorflow como motor de Procesamiento para Algoritmos de Deep Learning
-
Integración de Dataframes de Spark con Pandas con Koalas
-
Algoritmos de Clusterización y Tipos de Distancia
-
Implementación de K-Means para Segmentación de Datos
-
Calibración de Parámetros sobre el Modelo de K-Means
-
-
MÓDULO 2: Modelos de Predicción Numéricos con Regresión Lineal
-
Arquetipo Estándar de Modelos de Predicción Numéricos
-
Definición de Matriz de Features
-
Definición de Matriz de Labels
-
Split de Datos para Entrenamiento y Validación de Datos
-
Variables Numéricas y Variables Categóricas
-
Predicción de Variables Numéricas
-
Creación de Variables Dummy
-
Medición del error con el Error Cuadrático Medio
-
Medición del Accuracy con R2 Score
-
Implementación del Modelo de Regresión Lineal
-
Calibración del Modelo de Regresión Lineal
-
Validación Cruzada sobre el Modelo de Regresión Lineal
-
Productivización y uso del Modelo de Regresión Lineal
-
-
MÓDULO 3: Modelos de Predicción Categóricos con Árboles de Decisión y Random Forest
-
Arquetipo Estándar de Modelos de Predicción Categóricos
-
Entropía y Ganancia de Información
-
Impureza de Gini
-
Independencia de Variables Correlacionadas
-
El Problema del Sobre-Ajustamiento (Overfitting)
-
Algoritmo de Árbol de Decisión vs Random Forest
-
Indexación de la Matriz de Labels
-
Implementación del Modelo de Árbol de Decisión
-
Calibración del Modelo de Árbol de Decisión
-
Validación Cruzada sobre el Modelo de Árbol de Decisión
-
Visualización del Árbol de Decisión
-
Productivización y Uso del Modelo de Árbol de Decisión
-
Implementación del Modelo de Random Forest
-
Calibración del Modelo de Random Forest
-
Validación Cruzada sobre el Modelo de Random Forest
-
Visualización de los Árboles de Decisión dentro del Modelo Random Forest
-
Productivización y Uso del Modelo de Random Forest
-
-
MÓDULO 4: Algoritmos de Deep Learning y Modelos de Predicción Numéricos con Redes Neuronales
-
El problema del Descubrimiento de Patrones No Lineales
-
Algoritmos Iterativos
-
Neuronas y Perceptrones
-
Perceptron como "Regresión Lineal"
-
Funciones de Activación: Escalonada, Sigmoide, Tanh, Relu
-
Funciones de Coste: Cuadrática, Entropía Cruzada
-
Algoritmo de Grandiente Descenciente
-
Algoritmos de Backpropagation
-
Infraestructura de GPUs para Procesamiento de Redes Neuronales
-
Arquitectura de Redes Neuronales de Predicción Numérica
-
Implementación del Modelo de Red Neuronal de Predicción Numérica
-
Medición del error con el Error Cuadrático Medio
-
Medición del Accuracy con R2 Score
-
Productivización y Uso del Modelo de Predicción Numérica
-
-
MÓDULO 5: Modelos de Predicción Categóricos con Redes Neuronales
-
Modelos de Predicción Binarios
-
Función de Activación Sigmoide para el Cálculo de Probabilidades Binarias
-
Arquitectura de Redes Neuronales de Predicción Binaria
-
Implementación del Modelo de Red Neuronal de Predicción Binaria
-
Medición del error con la Entropía Cruzada Binaria
-
Medición del Accuracy con el Porcentaje Aciertos
-
Productivización y Uso del Modelo de Predicción Binaria
-
Modelos de Predicción Multi-Categóricos
-
Función de Activación Softmax para el Cálculo de Probabilidades Multi-Categóricas
-
Arquitectura de Redes Neuronales de Predicción Multi-Categórica
-
Implementación del Modelo de Red Neuronal de Predicción Multi-Categórica
-
Medición del error con la Entropía Cruzada Multi-Categórica
-
Medición del Accuracy con el Porcentaje Aciertos
-
Productivización y Uso del Modelo de Predicción Multi-Categóricos
-
-
MÓDULO 6: Calibración de Redes Neuronales
-
Estrategia de Calibración de Redes Neuronales
-
Descubrimiento de la Naturaleza de los Datos en el Dataset
-
Definición del Modelo Base de Red Neuronal para Calibración según la Capa Output
-
Análisis de la Disminución del error en cada Iteración de Entrenamiento
-
Calibración de Learning Rate
-
Calibración de Batch Size
-
Calibración de Algoritmo de Backpropagation
-
Calibración de Número de Capas y Perceptrones
-
Definición del Modelo de Red Neuronal Calibrada
-
Validación Cruzada sobre Redes Neuronales para Eliminación de la Aleatoriedad
-
-
MÓDULO 7: Modelos de Reconocimiento Visual con Redes Convolucionales
-
Inteligencia Artificial aplicada a Visualización de Imágenes
-
Reconocimiento de Patrones Visuales
-
Modelamiento de Datos No Estructurados en Canales de Colores
-
Creación de Tensores desde Imágenes
-
Operaciones de Convolución para el Descubrimiento de Patrones Visuales
-
Capas Convolucionales para el Descubrimiento en Profundidad de Patrones Visuales
-
Arquitectura de Reconocimiento Visual
-
Implementación de Tensorización de Imágenes para Estructuramiento de Datos
-
Implementación de Capas Convolucionales para Descubrimiento de Patrones Visuales
-
Implementación de Capa Flatting para Vectorización de Patrones Visuales
-
Implementación de Red Neuronal para Clasificación de Patrones Visuales
-
Productivización y Uso del Modelo de Reconocimiento Visual
-
-
MÓDULO 8: Modelos de Predicción de Tendencias con Redes Recurrentes
-
El Problema del Análisis de Tendencias Dependientes de Features
-
Series Temporales para Modelamiento de Tendencias
-
Perceptrones LSTM para Cálculo de Tendencia
-
Definición de Temporalidades para Predicciones de Tendencias
-
Arquitectura de Redes Neuronales Recurrentes para Series Temporales
-
Implementación del Modelo de Red Neuronal de Predicción de Tendencias
-
Predicción de Tendencias según Saltos Temporales
-
Productivización y Uso del Modelos de Predicción de Tendencias
-