Cursos sobre Inteligencia Artificial de Google gratuitos y en línea. Google lanzó una importante serie de cursos gratuitos diseñados para enseñar Machine Learning.
Estos programas de capacitación están diseñados para llevar a quienes los cursen, incluso los que no tienen experiencia. Por un recorrido por una variada gama de conceptos y aplicaciones dentro de la Inteligencia Artificial.
SigueLeyendo
Las capacitaciones abarcan desde niveles básicos, hasta avanzados. Con una plataforma intuitiva y moderna. Donde los alumnos tendrán diversos ejercicios de índole práctico. Junto con el ya acostumbrado bagaje de guías y material de asistencia que Google provee. Con el objetivo de incorporar herramientas como desarrollador certificado por la multinacional.
El Diario de Oliva + en YouTube: Suscribete ahora
Cursos sobre Inteligencia Artificial de Google gratuitos y en línea: Las capacitaciones disponibles
Introducción al aprendizaje automático: allí los asistentes comprenderán los diversos tipos de aprendizajes automatizados. Juntamente con los conceptos de aprendizaje automático supervisado.
Podrán obtener información sobre cómo resolver los problemas con el aprendizaje automático (AA) difiere de los enfoques tradicionales. Duración: 20 minutos.
Curso intensivo de aprendizaje automático: Introducción rápida y práctica al aprendizaje automático de Google. Que incluye una serie de lecciones con clases por video, casos de éxito reales y ejercicios prácticos. Duración: 15 horas.
Introducción al enmarcado de problemas del aprendizaje automático: Identificar si el aprendizaje automático es una buena solución para un problema. Aprende a enmarcar un problema de aprendizaje automático. Comprender cómo elegir el modelo correcto y definir métricas de éxito. Duración: 45 minutos.
Preparación de datos e ingeniería de atributos en AA: En este curso, el alumno podrá reconocer el impacto relativo de la calidad y el tamaño de los datos en los algoritmos. Establecer expectativas fundamentadas y realistas sobre el tiempo necesario para transformar los datos. Explicar un proceso típico para la recopilación y transformación de datos dentro del flujo de trabajo general del AA. Recopilar datos sin procesar y construir un conjunto de datos.
Además, avanzará en el muestreo y división del conjunto de datos. Con consideraciones para datos desequilibrados. Juntamente con poder transformar los datos numéricos y categóricos. Duración: 175 minutos.
Sigue leyendo-Confirman bono de $70 mil: cómo se pagará en junio
Más oportunidades
Pruebas y depuración en aprendizaje automático: Validar los datos de atributos sin procesar y los datos de atributos de ingeniería. Depurar un modelo de AA para que funcione el modelo. Implementar pruebas que simplifiquen la depuración. Optimizar un modelo de AA en funcionamiento. Supervisar las métricas del modelo durante el desarrollo, el lanzamiento y la producción. Duración: 4 horas.
Bosques de decisión: Explicar los árboles de decisión y los bosques de decisión. Determinar cómo hacen predicciones los árboles y los bosques de decisión. Comprender cómo los diferentes tipos de bosques de decisión. Como bosques aleatorios y árboles con boosting del gradiente. Explicar cuándo los bosques de decisión tienen un buen rendimiento y cuáles son sus limitaciones. Desarrollar una idea de cómo usar los bosques de decisión de manera eficaz. Duración: 2,5 horas.
Sistemas de recomendación: Describir el propósito de los sistemas de recomendación. Comprende los componentes de un sistema de recomendación, que incluye la generación de candidatos, la puntuación y la reclasificación. Usar incorporaciones para representar elementos y consultas. Desarrollar una comprensión técnica más profunda de las técnicas comunes que se usan en la generación de candidatos. Usar TensorFlow para desarrollar dos modelos que se usan en la recomendación: la factorización de matrices y softmax. Duración: 4 horas.
Aprendizaje breve y en formato sencillo
Agrupación en clústeres: Definir el agrupamiento en clústeres para las aplicaciones de AA. Preparar datos para el agrupamiento en clústeres. Definir la similitud para tu conjunto de datos. Comparar medidas de similitud supervisadas y manuales. Usar el algoritmo k-means para agrupar los datos. Evaluar la calidad del resultado del agrupamiento en clústeres. Duración: 4 horas.
Redes generativas adversarias: Tendrá como objetivos, comprender la diferencia entre modelos generativos y discriminativos. Identificar los problemas que las GAN pueden resolver. Comprender las funciones del generador y el discriminador en un sistema GAN. Comprender las ventajas y desventajas de las funciones comunes de pérdida de GAN. Identificar posibles soluciones a problemas comunes con la capacitación de GAN. Usar la biblioteca de TF GAN para crear una GAN.
Cómo inscribirse a los cursos gratuitos de Google
Para poder acceder a los cursos gratuitos de Google se deben seguir los siguientes pasos:
-Acceder a la página oficial de Machine Learning.
-Elegir el programa de preferencia entre los Cursos básicos y los Cursos avanzados.
Discussion about this post