En esta serie de cursos online proporcionaremos una introducción pragmática al mundo de la Inteligencia Artificial.
El curso ha sido específicamente diseñado para que perfiles menos técnicos sean capaces de entender los fundamentos de esta tecnología en los niveles más básicos, y los que lo deseen, sean capaces de progresar a niveles más avanzados que les permitirán tener una visión más completa del estado del arte de esta disciplina, e incluso extraer el máximo poder informativo de sus datos por su cuenta.
Sea cual sea tu nivel de partida y expectativa, es imposible que no lo aproveches. Además, los alumnos capaces de completar y entender todos los módulos del curso, estarán en gran medida capacitados para comenzar su vida profesional en esta disciplina, y los instructores del curso estarán encantados de acreditar la realización de este curso.
Para organizar una formación privada y personalizada para empresas: info@stockfink.com
Instructores
Máster en Matemáticas y Estadística.
- Nivel Básico
1. Datos & Análisis Descriptivo
- Dos conceptos para entenderlo todo. Dos.
- Tipos de datos. Tipos de Variables según su contenido y su rol en el problema.
- Entendiendo por fin lo que es determinista y aleatorio en todo su contexto.
- Análisis Exploratorio y Descriptivo con herramientas estadísticas.
- Casos Prácticos con Python y datos reales
🕒2h
2. Matrices y Vectores
- ¿Cómo funcionan los algoritmos?: espacios vectoriales
- Sistemas de Ecuaciones Lineales
- Sistemas de Ecuaciones No Lineales
- Casos Prácticos con Python y datos reales
🕒 1h
3. Problemas de Regresión
- ¿Qué es, concretamente, un modelo?
- Introducción a la Regresión Lineal
- Introducción a la Regresión Logística
- Casos Prácticos con Python y datos reales
🕒 1h
4. DUDAS Y PREGUNTAS 🤔
¡Inscríbete a la próxima sesión!
1ª Parte: Miércoles 28 de Octubre de 18h a 20h.
2ª Parte: Miércoles 3 de Noviembre de 18h a 20h.
Si no es posible asistir a ambas sesiones, o si se desea repetir algún módulo, podrá asistir en futuras convocatorias sin costes adicionales
Precio del módulo: 80€
Precio 1ª parte: 40€
Precio 2ª parte: 40€
Módulo completado, próxima sesión por programar
- Nivel Intermedio
1. Problemas de Clasificación
- Definición y conceptos básicos
🕒 1h
2. La matriz de confusión
- Definición, interpretación y métricas asociadas a ella
🕒 1h30
3. Técnicas de Aprendizaje Automático
- Algoritmos tradicionales: KNN, SVM, árboles de decisión y Random Forest
🕒 1h30
4. DUDAS Y PREGUNTAS 🤔
¡Inscríbete a la primera sesión!
1ª Parte: Jueves 4 de Noviembre de 18h a 20h.
2ª Parte: Jueves 11 de Noviembre de 18h a 20h.
Si no es posible asistir a ambas sesiones, o si se desea repetir algún módulo, podrá asistir en futuras convocatorias sin costes adicionales
Precio del módulo: 80€
Precio 1ª parte: 40€
Precio 2ª parte: 40€
Fecha de la sesión por programar
- Nivel Avanzado
1. Introducción al Deep Learning
- Conceptos básicos
- Tipos de redes neuronales
- Tipos de aprendizaje
- Deep Learning vs. algortimos tradicionales: ventajas e inconvenientes
🕒 2h
2. Aplicaciones del deep learning
- Regresión y clasificación
- Imágen: clasificación, segmentación y detección de objetos
- Lenguaje Natural
- Modelos Generativos
🕒 1h
3. Ejemplo Práctico
- Entrenando nuestra primera red neuronal
🕒 1h
4. DUDAS Y PREGUNTAS 🤔
Fecha de la sesión por programar
- Nivel Experto I
1. Problemas Inversos
- Definición de problema enfermo (mal planteado)
- El espacio de incertidumbre
🕒 1h
2. Resolución generalizada
- Solución de mínimos cuadrados
- Solución de norma mínima
- La SVD y la pseudoinversa de Moore Penrose
- Sistemas deficientes en rango
- Técnicas de regularización
🕒 1h
3. Problemas Inversos No Lineales
- El espacio de incertidumbre
🕒 1h
4. Técnicas de Optimización Global: PSO
- G-PSO, PP-PSO, RR-PSO, CP-PSO, CC-PSO
- Otros algoritmos de optimización global
🕒 1 h
5. DUDAS Y PREGUNTAS 🤔
Fecha de la sesión por programar
- Nivel Experto II
1. Deep Learning en la práctica
- Extracción y aprendizaje de características
- Interpretabilidad de las caracteristicas aprendidas
- Definición del problema: función de coste
- Optimización de las funciones de coste y su topología
- Construcción de la base de datos: distribuciones y consideraciones de las bases de entrenamiento, validación y test
- Diseño de los modelos: sesgo, varianza y otros aspectos prácticos a tener en cuenta
- Diseño de los modelos: La importancia de las suposiciones y 'a prioris'
- Procedimientos prácticos para entrenar una red neuronal correctamente
🕒 2h
2. Ejemplos prácticos
- Resolveremos una serie de problemas reales y estudiaremos e interpretaremos la fase de aprendizaje del modelo
🕒 1h30
3. Potencial, limitaciones y problemas abiertos
🕒 30 min
4. DUDAS Y PREGUNTAS 🤔
Fecha de la sesión por programar
Instructores
