Este curso gratuito de inteligencia artificial intenta presentarle el aprendizaje automático y el aprendizaje profundo a través de un enfoque completamente práctico.
Si está interesado, siga leyendo e inscríbase para aprender de Jeremy Howard. El curso de Inteligencia Artificial consta de 12 lecciones totalmente visuales, de aproximadamente 24 horas de duración, y está diseñado para personas con conocimientos de programación, especialmente Python.
Puedes ver el video tantas veces como quieras, pero solo si tienes conexión a Internet.
¿Están llamando los árboles de decisión o las redes neuronales multicapa? ¿Sabes qué es un dataset o datos de validación? ¿Quiere aprender a construir redes neuronales desde cero con PyTorch?
Los aprenderás todos en este curso de inteligencia artificial. El profesor del curso Howard fue el ganador de los campeonatos de ciencia de datos de Kaggle en 2010 y 2011, fundó el servicio de correo electrónico FastMail y más tarde el Instituto Fast.AI para la inteligencia artificial.
Como puedes ver, es un chico experimentado que te ayudará mucho en este curso. El curso de IA es completamente gratuito, sin certificado y se imparte en inglés.
Esto no debería ser un obstáculo, ya que tienes muchas lecciones de inglés gratuitas para aprender el idioma sin esfuerzo.
Consulta el contenido del curso para saber qué vas a aprender en cada una de las clases:
LECCIÓN 1 – INTRODUCTION TO RANDOM FORESTS
En esta primera lección te mostrarán cómo crear un «bosque aleatorio», quizás el modelo de aprendizaje automático más ampliamente aplicable, cómo usar un Jupyter Notebook para construir y analizar modelos, descargar datos y otras habilidades básicas que necesitas para comenzar a aprender en la máquina.
LECCIÓN 2 – RANDOM FOREST DEEP DIVE
Aquí empezarás a aprender sobre métricas, funciones de pérdida y sobreajuste.
LECCIÓN 3 – PERFORMANCE, VALIDATION AND MODEL INTERPRETATION
Aprenderás a leer un conjunto de datos grande y cómo crear un bosque aleatorio para ese conjunto de datos. También discutirás el concepto de ingeniería de software de «creación de perfiles» para aprender cómo acelerar el código si no es lo suficientemente rápido.
LECCIÓN 4 – FEATURE IMPORTANCE, TREE INTERPRETER
En esta lección aprenderemos las dos técnicas de interpretación más importantes: las parcelas de dependencia parcial y el «intérprete de árbol».
LECCIÓN 5 – EXTRAPOLATION AND RF FROM SCRATCH
¡Aquí comenzarás a escribir tu propio bosque aleatorio desde cero!
LECCIÓN 6 – DATOS PRODUCTS AND LIVE CODING
En esta lección del curso de Inteligencia Artificial explorarás el tema de la extrapolación utilizando un enfoque de codificación en vivo; también aprovecharemos esta oportunidad para aprender un par de trucos útiles y algo complicados.
LECCIÓN 7 – RF FROM SCRATCH AND GRADIENT DESCENT
En esta clase verás brevemente la increíble biblioteca «cython» que puedes usar para obtener la misma velocidad que el código C con cambios mínimos en su código python.
LECCIÓN 8 – GRADIENT DESCENT AND LOGISTIC REGRESSION
En esta lección utilizarás Pytorch para ayudarte a implementar la regresión logística desde cero y construirás un modelo para el clásico conjunto de datos MNIST de dígitos escritos a mano.
LECCIÓN 9 – REGULARIZATION, LEARNING RATES AND NLP
En esta novena lección construirás una serie de modelos incluyendo los ingenuos bayes y la regresión logística, y mejorarás estos modelos agregando características de ngram.
LECCIÓN 10 – MORE NLP AND COLUMNAR DATA
Ahora es hora de crear una nueva clase nn.Module en Pytorch y verás qué está haciendo detrás de escena.
LECCIÓN 11 – EMBEDDINGS
En esta penúltima clase del curso Inteligencia Artificial, después de una revisión de las matemáticas detrás de los ingenuos bayes, profundizarás en las incrustaciones, tanto para las variables categóricas en datos tabulares como para las palabras en PNL.
LECCIÓN 12 – COMPLETE ROSSMANN, ETHICAL ISSUES
En esta última clase reunirás todo lo aprendido para crear un modelo completo para el conjunto de datos de Rossmann.
Además, estudiarás algunos problemas éticos que surgen al implementar modelos de aprendizaje automático y verás por qué deberían ser importantes para los profesionales y las formas de pensar sobre ellos. ¡Muchos estudiantes comentan que esta es la parte más importante del curso!
Accede al curso usando este enlace.