​
Inicio └Ciencia de Datos con Spark & Tensorflow
Ciencia de Datos con Spark & Tensorflow

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.

$ 299.00
299.0 USD $ 299.00
$ 299.99
Comprar ahora
Agregar al carrito
Responsable Carlos Fierro
Última actualización 16/08/2023
Tiempo de finalización 11 minutos
Miembros 1
  • 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