Aprendizaje automático para empresas
Comprende los fundamentos del aprendizaje automático y su aplicación en el mundo empresarial.
Comience El Curso Gratis2 horas15 vídeos48 ejercicios33.231 aprendicesDeclaración de cumplimiento
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?
Pruebe DataCamp para empresasPreferido por estudiantes en miles de empresas
Descripción del curso
Aprende los fundamentos del machine learning
Este curso presentará los elementos clave del machine learning a los líderes empresariales. Nos centraremos en las ideas clave y las prácticas básicas sobre cómo estructurar las cuestiones empresariales como proyectos de modelado con los equipos de machine learning.
Sumérgete en los detalles del modelo
Comprenderás los distintos tipos de modelos, qué tipo de preguntas empresariales ayudan a responder o qué tipo de oportunidades pueden descubrir, y también aprenderás a identificar las situaciones en las que NO se debe aplicar el machine learning, lo cual es igualmente importante. Comprenderás la diferencia entre inferencia y predicción, la predicción de probabilidades y cantidades, y cómo el uso del aprendizaje no supervisado puede ayudar a construir una estrategia significativa de segmentación de clientes.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
- 1
Aprendizaje automático y casos de uso de datos
GratuitoEl aprendizaje automático se utiliza en muchos sectores y campos diferentes. Puede mejorar fundamentalmente la empresa si se aplica correctamente. En este capítulo se describen los casos de uso del aprendizaje automático, los puestos de trabajo y cómo encajan en la pirámide de necesidades de datos.
Aprendizaje automático y pirámide de datos50 xpAclaración terminológica50 xpOrdenar las necesidades de la pirámide de datos100 xpEmparejar las tareas en la pirámide de datos100 xpPrincipios del aprendizaje automático50 xpTipos de modelado50 xpEncontrar casos supervisados y no supervisados100 xpFunciones, herramientas y tecnologías50 xpResponsabilidades del puesto50 xpAdecuar los proyectos de datos a los puestos de trabajo100 xpTipos de estructura de los equipos100 xp - 2
Tipos de aprendizaje automático
En este capítulo se describen los distintos tipos de aprendizaje automático. Estudiaremos las diferencias entre modelos causales y de predicción, exploraremos el aprendizaje supervisado y no supervisado y, por último, comprenderemos los subtipos de aprendizaje supervisado: clasificación y regresión.
El dilema entre predicción e inferencia50 xpDiferencias de inferencia y predicción50 xpIdentificar casos de uso de inferencia frente a predicción100 xpModelos de inferencia (causales)50 xpExperimentos y modelos causales50 xpIdentificar variables no procesables50 xpModelos de predicción (aprendizaje supervisado)50 xpPrincipios de modelización supervisada50 xpIdentificar modelos de clasificación y regresión100 xpModelos de predicción (aprendizaje no supervisado)50 xpCasos prácticos de modelización no supervisada50 xpClasificación, regresión o modelos no supervisados100 xp - 3
Requisitos empresariales y diseño de modelos
Este capítulo repasa los pasos clave para determinar el alcance de los requisitos empresariales, identificar y dimensionar las oportunidades de aprendizaje automático, evaluar el rendimiento del modelo e identificar cualquier riesgo de rendimiento en el proceso.
Requisitos de la empresa50 xpIdentificar la situación, la oportunidad y la acción100 xpIdentificar los experimentos con éxito50 xpEntrenamiento del modelo50 xpProceso de formación de modelos50 xpFormación, validación y prueba100 xpMedición del rendimiento de los modelos50 xpEjemplos de malos resultados50 xpIdentificar las métricas de rendimiento100 xpRiesgos del aprendizaje automático50 xpReparación de modelos ineficaces50 xpModelos no accionables50 xpDeterminar recomendaciones prácticas50 xp - 4
Gestión de proyectos de aprendizaje automático
En este capítulo se analizarán las mejores y peores prácticas de gestión de proyectos de aprendizaje automático. Identificaremos los errores más comunes del aprendizaje automático, aprenderemos a gestionar la comunicación entre los equipos de negocio y ML y, por último, abordaremos los retos a la hora de desplegar modelos de aprendizaje automático en producción.
Errores de aprendizaje automático50 xpIdentificar errores de aprendizaje automático50 xpPirámide de necesidades de datos100 xpEmparejar ML errores por sus tipos100 xpGestión de la comunicación50 xpComunicación empresarial50 xpPruebas de mercado100 xpAprendizaje automático en la producción50 xpSistemas de producción50 xpSistemas de producción ML casos de uso100 xpML en lanzamiento de producción100 xpResumen50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
colaboradores
Karolis Urbonas
Ver MásHead of Machine Learning and Science
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Aprendizaje automático para empresas hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.