fbpx

Inteligencia Artificial para Programadores con Prisa

Introducción a la inteligencia artificial
Instructor:
Marco Antonio Aceves
6 estudiantes matriculados
Aprenderás de manera sencilla los fundamentos de inteligencia artificial y aprendizaje de máquinas
Implementarás de manera clara y conscisa algoritmos de inteligencia artificial para aplicaciones diversas.
Identificarás con un lenguaje accesible la metodología adecuada para desarrollar, analizar, entrenar y probar los algoritmos
Abordarás los diferentes tópicos introductorios con diferentes bases de datos y serás capaz de implementar tus propios algoritmos en tu área de interés

*Importante: El 100% de las ganancias del presente curso se destinarán a la Asociación Mexicana de Software Embebido AC (AMESE), que es una asociación sin fines de lucro que entre otras cosas, ayuda a la formación STEM de niñas, niños, jóvenes y universitarios.

Este curso de fundamentos de inteligencia artificial para programadores con prisa se pensó con el objetivo de presentar de manera sencilla el conocimiento adquirido que se remonta prácticamente desde que comencé la maestría en el año 2001, antes de que la inteligencia artificial fuera tan popular. Posteriormente, cuando terminé mi doctorado en el área de Sistemas Inteligentes, también en la Universidad de Liverpool (Inglaterra) en 2005, noté que hay un crecimiento enorme, pero también un gran desconocimiento de por dónde empezar de manera sencilla.

El área de inteligencia artificial (IA) es muy amplia y está teniendo en los últimos años un crecimiento exponencial. Sin embargo, parte de las razones por las cuales se realiza este libro en específico se debe a que habiendo tantos métodos, algoritmos, problemas y aplicaciones que pueden ser abordados desde muchas perspectivas y, por un lado, se vuelve complejo saber por dónde empezar y qué conocimientos se deben de tener al respecto, mientras que, por otro lado, en ocasiones solo se descarga un código y se ejecuta sin saber a ciencia cierta si lo que se está haciendo o si es lo correcto para ese problema en específico.

Este curso introductorio refleja algunos temas importantes mismos que se abordan con un lenguaje accesible para poder iniciar al lector en esta fascinante área que es la inteligencia artificial, y que considero se deben de explicar. Existen más algoritmos que no se abordan en el presente curso por cuestiones de número de horas y número de prácticas.

Por último, me gustaría aclarar que las prácticas, ejercicios y tips vertidos en este curso son solo una forma de abordar los temas de manera sencilla. Hay muchos otros estilos de programación, otras librerías y otras metodologías para explicar y programar los temas.

Al respecto, quiero comentar que traté de realizarlo de manera práctica y clara y las prácticas están realizadas utilizando diferentes estilos de programación con ese mismo propósito, espero haber logrado mi objetivo de atraer tu interés por esta fascinante área.

Objetivos e Introducción al curso

1
Bienvenida

Este video es una bienvenida de lo que será el curso

2
Objetivos y Metodología de Enseñanza

En esta clase se presentarán los objetivos del curso y la metodología de enseñanza

3
Introducción y contenido del curso

Objetivos y metodología de trabajo

1
2.1. Introducción a IA y entorno de trabajo

Introducción a la IA y al entorno de trabajo con Anaconda

2
2.2. Tipos de algoritmos de IA

Ciencia de datos

1
3.1. Manejo de datos y su importancia
2
3.2. Problemas de calidad en los datos
3
3.3. Imputación de datos
4
3.4. Normalización
5
3.5. Datos sintéticos

Aprendizaje Máquina

1
4.1. Tipos de aprendizaje y aprendizaje máquina
2
4.2. Medidas de distancia
3
4.3. Metodología de desarrollo de aprendizaje máquina
4
4.4. Reducción de dimensionalidad
5
4.5. Entrenamiento y pruebas
6
Validación cruzada
7
4.6. Métodos de regresión
8
4.7. Métricas de error para datos continuos
9
4.8. Gradiente descendente
10
4.9. Aprendizaje automático por k-medias
11
4.10. Aprendizaje supervisado por vecinos cercanos (KNN)
12
4.11. Árboles de decisión (ID3)
13
4.12. Clasificación por bosques aleatorios

Redes neuronales

1
5.1. Fundamentos de redes neuronales
2
5.2. Perceptrón simple
3
5.3. Perceptrón multicapa (MLP)
4
5.4. Redes profundas
5
5.5. Redes profundas convolucionales (CNN)
6
5.6. Redes profundas recurrentes (RNN)

Factores que afectan el rendimiento de un algoritmo

1
6.1. Preparación de los datos
2
6.2. Velocidad de la predicción y capacidad de reentrenamiento
3
6.3. Elección de hiperparámetros y selección del modelo
4
6.4. Mejorar la exactitud y rendimiento del algoritmo

Sea el primero en añadir una reseña

Por favor, accede para dejar una valoración
1e69efc726b169b6912b49bfc27043b5
Garantía de devolución de dinero de 30 días

Incluye

24 horas de video a pedido
Acceso completo de por vida
Acceso en el móvil y en la televisión
Certificado de finalización
Inteligencia Artificial para Programadores con Prisa
Precio:
$49.99 $15
bubble_bg_popup.png

Descarga las Herramientas Gratis