12 lecciones • 7 horas
Curso teórico-práctico donde aprenderás sobre el funcionamiento y la aplicación práctica de algoritmos y modelos probabilísticos fundamentales en el Machine Learning.
Al finalizar este curso habrás aprendido
- Qué son la covarianza y la correlación, en qué se diferencian la una de la otra y cuáles son sus principales usos
- Qué es la matriz de covarianza y por qué es un elemento esencial en diferentes algoritmos del Machine Learning
- Qué son y cómo funcionan el Análisis de Componentes Principales, los Modelos de Mezcla Gaussiana y la clasificación con Naive Bayes
- Cómo resolver problemas de Machine Learning usando el Análisis de Componentes Principales, los Modelos de Mezcla Gaussiana y Naive Bayes
Requisitos
- Se sugiere haber tomado los cursos Álgebra Lineal para Ciencia de Datos y Machine Learning, Probabilidad Nivel Básico y Probabilidad Nivel Intermedio, disponibles acá en la Academia Online.
- Experiencia en la programación en Python y en el uso de las librerías Matplotlib y NumPy (cursos también disponibles acá en la Academia Online)
Contenido
MÓDULO 1: COVARIANZA Y CORRELACIÓN
MÓDULO 2: ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)
4 – ¿Qué es y para qué sirve el Análisis de Componentes Principales?
5 – Análisis de Componentes Principales: explicación detallada
6 – Proyecto: reducción de dimensionalidad con Análisis de Componentes Principales
MÓDULO 3: MODELOS DE MEZCLA GAUSSIANA (GMMs)
7 – ¿Qué son y para qué sirven los Modelos de Mezcla Gaussiana?
8 – Modelos de Mezcla Gaussiana: explicación detallada
9 – Proyecto: segmentación de clientes con Modelos de Mezcla Gaussiana
MÓDULO 4: CLASIFICACIÓN CON MODELOS NAIVE BAYES
10 – ¿Qué son y para qué sirven los Modelos de Naive Bayes?
11 – Modelos de Naive Bayes: explicación detallada
12 – Proyecto: detección de spam con modelos Naive Bayes
