Description
Este curso se sumerge en los conceptos básicos del aprendizaje automático mediante un lenguaje de programación accesible y conocido, Python.
En este curso, repasaremos dos componentes principales:
Primero, aprenderá sobre el propósito del aprendizaje automático y dónde se aplica al mundo real.
En segundo lugar, obtendrá una descripción general de los temas del aprendizaje automático, como el aprendizaje supervisado o no supervisado, la evaluación de modelos y los algoritmos del aprendizaje automático.
En este curso, practicarás con ejemplos de la vida real de aprendizaje automático y verás cómo afecta a la sociedad de formas que quizás no hayas adivinado.
Con solo dedicar unas horas a la semana durante las próximas semanas, esto es lo que obtendrá.
1) Nuevas habilidades para agregar a su currículum, como regresión, clasificación, agrupamiento, aprendizaje de sci-kit y SciPy
2) Nuevos proyectos que puede agregar a su cartera, incluida la detección de cáncer, la predicción de tendencias económicas, la predicción de la rotación de clientes, los motores de recomendación y muchos más.
3) Y un certificado en aprendizaje automático para demostrar su competencia y compartirlo en cualquier lugar que desee en línea o fuera de línea, como perfiles de LinkedIn y redes sociales.
Si elige tomar este curso y obtener el certificado del curso de Coursera, también obtendrá una insignia digital de IBM al completar con éxito el curso.
What you will learn
Introduction to Machine Learning
En esta semana, aprenderás acerca de las aplicaciones de Aprendizaje Automático en distintos campos como salud, bancario, telecomunicaciones, entre otros. Tendrás una visión general de los temas de Aprendizaje Automático, como el aprendizaje supervisado versus el no supervisado y el uso de cada algoritmo. Además, comprenderás la ventaja de usar las librerías de Python para implementar modelos de Aprendizaje Automático.
Regresión
En esta semana, tendrás una breve introducción a la regresión. Aprenderás acerca de la Regresión Lineal, No Lineal, Simple y Múltiple al igual que sus aplicaciones. Aplicarás todos estos métodos en dos conjuntos de datos diferentes en la sección de laboratorio. También aprenderás a evaluar tu modelo de regresión y calcular su precisión.
Clasificación
En esta semana, aprenderás acerca de la técnica de clasificación. Realizarás prácticas con distintos algoritmos de clasificación, tales como KNN, Árboles de Decisiones, Regresión Logística y SVM (Máquina de Vector de Soporte). Igualmente aprenderás sobre los pros y los contras de cada método y las distintas métricas de precisión de la clasificación.
Agrupación
En esta sección, aprenderás acerca de los diferentes enfoques de agrupación (clustering). Aprenderás a usar la agrupación para la segmentación de clientes, agrupación de los mismos vehículos y agrupación de estaciones meteorológicas. Entenderás 3 tipos principales de agrupación, incluyendo la agrupación basada en la División, Jerárquica y la basada en Densidad.
