Launching into Machine Learning en Español

Overview

Class Central Tips

El curso comienza con un debate sobre los datos: cómo mejorar su calidad y cómo realizar análisis exploratorios de ellos. Describimos Vertex AI AutoML y cómo crear, entrenar e implementar un modelo de AA sin escribir una sola línea de código. Conocerás los beneficios de BigQuery ML. Luego, se analiza cómo optimizar un modelo de aprendizaje automático (AA) y cómo la generalización y el muestreo pueden ayudar a evaluar la calidad de los modelos de AA para el entrenamiento personalizado.

Syllabus

Introducción

En este módulo, se brinda una descripción general del curso y sus objetivos.

Conoce tus datos: Mejora los datos por medio de análisis exploratorios de datos

En este módulo, examinaremos cómo mejorar la calidad de los datos y explorar los datos mediante análisis exploratorios. Observaremos la importancia de tener los datos ordenados para el aprendizaje automático y mostraremos su efecto en la calidad de los datos. Por ejemplo, los valores omitidos pueden sesgar los resultados. También aprenderás la importancia de explorar tus datos. Una vez que los datos estén ordenados, realizaremos un análisis exploratorio del conjunto de datos.

El aprendizaje automático en la práctica

En este módulo, presentaremos algunos de los tipos principales de aprendizaje automático, de modo que puedas acelerar tu crecimiento como profesional del AA.

Entrenamiento de modelos de AutoML con Vertex AI

En este módulo, haremos una introducción al entrenamiento de modelos de AutoML con Vertex AI.

Aprendizaje automático en BigQuery: Desarrolla modelos de AA en el lugar en el que se encuentran tus datos

En este módulo, haremos una introducción a BigQuery ML y sus capacidades.

Optimización

En este módulo, explicaremos cómo optimizar tus modelos de AA.

Generalización y muestreo

Llegó el momento de responder una pregunta un tanto extraña: ¿en qué situaciones es mejor no elegir el modelo de AA más exacto? Como dimos a entender en el último módulo sobre la optimización, el solo hecho de que un modelo tenga una métrica de pérdida de 0 para un conjunto de datos de entrenamiento no significa que vaya a tener un buen rendimiento cuando se aplique a datos nuevos del mundo real. Aprenderás a crear conjuntos de datos de entrenamiento, evaluación y prueba repetibles y a establecer comparativas de rendimiento.