Módulo 1: Fundamentos

• Fundamentos de Python
• Requisitos de aprendizaje automático (incluyendo NumPy, Pandas y álgebra lineal)
• Fundamentos de Estadística
• PREGUNTAS DE REVISIÓN

Módulo 2: Introducción al Aprendizaje Automático y al Aprendizaje Profundo

• Algoritmos de Aprendizaje Automático (Supervisado, No Supervisado, Refuerzo)
• Desafíos en el Aprendizaje
• Automático
• Resolución de los problemas utilizando el enfoque tradicional
• Resolución de los problemas utilizando el enfoque de Machine Learning
• Una breve introducción al mundo del Machine Learning y del Deep Learning
• Caso práctico
• PREGUNTAS DE REVISIÓN

Módulo 3: Construir un proyecto de Machine Learning

• Pre-procesamiento de datos
• Construcción de un modelo de aprendizaje automático para la predicción
• Exploración de modelos diferentes
• Preselección del mejor modelo y ajuste de parámetros.
• Caso práctico
• PREGUNTAS DE REVISIÓN

Módulo 4: Clasificación y métricas de IA

• Entrenar un modelo en el conjunto de datos
• Aprender a identificar métricas de evaluación.
• Caso práctico
• PREGUNTAS DE REVISIÓN

Módulo 5: Algoritmos de aprendizaje automático

• Aprendizaje no supervisado
• Reducción de la dimensionalidad
• Caso práctico
• PREGUNTAS DE REVISIÓN

Módulo 6: Introducción a las redes neuronales artificiales con Keras

• Redes neuronales artificiales
• Back-propagación
• Perceptrón multicapa y visualización de resultados.
• Caso práctico
• PREGUNTAS DE REVISIÓN

Módulo 7: Visión por computador

• Fundamentos de Redes convolucionales
• Caso práctico.
• PREGUNTAS DE REVISIÓN

Módulo 8: Aprendizaje por refuerzo

• Fundamentos de agentes
• Caso práctico

Clase Magistral

PhD. Oscar Chang
Investigador y Profesor en Inteligencia Artificial, Universidad Yachay