Aprender sobre la Inteligencia Artificial: ¿cuáles son los cursos gratuitos que lanzó Google?

Google lanzó una serie de cursos gratuitos diseñados para enseñar Machine Learning. Estos programas están diseñados para llevar a los estudiantes, incluso aquellos sin experiencia previa, a través de una amplia gama de conceptos y aplicaciones en el campo de la Inteligencia Artificial.

Chat GPT-4o: cómo es el nuevo modelo de Inteligencia Artificial

Cuáles son los cursos gratuitos de Machine Learning

Los cursos abarcan desde un nivel básico hasta avanzado, ofreciendo a los estudiantes una variedad de ejercicios prácticos, como guías y glosarios para facilitar su aprendizaje. Los programas disponibles son los siguientes:

• Introducción al aprendizaje automático: objetivos del curso:
  • Comprender los diferentes tipos de aprendizaje automático.
  • Entender los conceptos clave del aprendizaje automático supervisado.
  • Obtener información sobre cómo resolver los problemas con el aprendizaje automático (AA) difiere de los enfoques tradicionales.
  • Duración: 20 minutos.
• Curso intensivo de aprendizaje automático: objetivo del curso:
  • Introducción rápida y práctica al aprendizaje automático de Google, que incluye una serie de lecciones con clases por video, casos de éxito reales y ejercicios prácticos.
  • Duración: 15 horas.
• Introducción al enmarcado de problemas del aprendizaje automático: objetivos del curso:
  • Identificar si el aprendizaje automático es una buena solución para un problema.
  • Aprende a enmarcar un problema de aprendizaje automático.
  • Comprender cómo elegir el modelo correcto y definir métricas de éxito.
  • Duración: 45 minutos.
• Preparación de datos e ingeniería de atributos en AA: objetivos del curso:
  • Reconocer el impacto relativo de la calidad y el tamaño de los datos en los algoritmos
  • Establezca expectativas fundamentadas y realistas sobre el tiempo necesario para transformar los datos.
  • Explicar un proceso típico para la recopilación y transformación de datos dentro del flujo de trabajo general del AA
  • Recopilar datos sin procesar y construir un conjunto de datos.
  • Muestrea y divide tu conjunto de datos con consideraciones para datos desequilibrados.
  • Transformar los datos numéricos y categóricos
  • Duración: 175 minutos.
• Pruebas y depuración en aprendizaje automático: objetivo del curso:
  • Validar los datos de atributos sin procesar y los datos de atributos de ingeniería
  • Depurar un modelo de AA para que funcione el modelo
  • Implementa pruebas que simplifiquen la depuración.
  • Optimizar un modelo de AA en funcionamiento
  • Supervisa las métricas del modelo durante el desarrollo, el lanzamiento y la producción.
  • Duración: 4 horas.
• Bosques de decisión: objetivos del curso:
  • Explicar los árboles de decisión y los bosques de decisión
  • Determinar cómo hacen predicciones los árboles y los bosques de decisión
  • Comprende cómo los diferentes tipos de bosques de decisión, como bosques aleatorios y árboles con boosting del gradiente
  • Explicar cuándo los bosques de decisión tienen un buen rendimiento y cuáles son sus limitaciones.
  • Desarrollar una idea de cómo usar los bosques de decisión de manera eficaz.
  • Duración: 2,5 horas.
• Sistemas de recomendación: objetivos del curso:
  • Describir el propósito de los sistemas de recomendación
  • Comprende los componentes de un sistema de recomendación, que incluye la generación de candidatos, la puntuación y la reclasificación.
  • Usa incorporaciones para representar elementos y consultas.
  • Desarrolla una comprensión técnica más profunda de las técnicas comunes que se usan en la generación de candidatos.
  • Usa TensorFlow para desarrollar dos modelos que se usan en la recomendación: la factorización de matrices y softmax.
  • Duración: 4 horas.
• Agrupación en clústeres: objetivo del curso:
  • Define el agrupamiento en clústeres para las aplicaciones de AA.
  • Preparar datos para el agrupamiento en clústeres.
  • Define la similitud para tu conjunto de datos.
  • Comparar medidas de similitud supervisadas y manuales.
  • Usa el algoritmo k-means para agrupar los datos.
  • Evaluar la calidad del resultado del agrupamiento en clústeres.
  • Duración: 4 horas.
• Redes generativas adversarias: objetivo del curso:
  • Comprende la diferencia entre modelos generativos y discriminativos.
  • Identificar los problemas que las GAN pueden resolver
  • Comprende las funciones del generador y el discriminador en un sistema GAN.
  • Comprende las ventajas y desventajas de las funciones comunes de pérdida de GAN.
  • Identificar posibles soluciones a problemas comunes con la capacitación de GAN
  • Usa la biblioteca de TF GAN para crear una GAN.

Cómo inscribirse a los cursos gratuitos de Google

Para poder acceder a los cursos gratuitos de Google se deben seguir los siguientes pasos:

TikTok: cuál es la actualización que identifica contenido hecho por la Inteligencia Artificial

1. Acceder a la página oficial de Machine Learning.
2. Elegir el programa de preferencia entre los Cursos básicos y los Cursos avanzados.