Primeramente es necesario abordar temas y conceptos básicos del aprendizaje de maquina, como por ejemplo los tipos de aprendizaje, los problemas que se pueden resolver, el proceso que sigue la creación de una solución de este tipo y otros conceptos que son necesarios para el entendimiento a nivel general de este tipo de software. Adicionalmente daremos un vistazo al uso de las herramientas que se usaran en el curso.
Como en todo proceso científico experimental, existen situaciones donde la solución no es correcta o está incompleta, por lo que necesitamos poder identificar este tipo de coyunturas, para ello veremos en este modulo cómo hacerlo. De igual forma también veremos un conjunto de instrumentos que nos ayudan a evaluar de forma sencilla la validez de un modelo.
Uno de los usos mas comunes que tienen los modelos de aprendizaje automático, es el de realizar tareas de clasificación, por lo que es necesario conocer las métricas especificas de evaluación de este tipo de soluciones, con las cuales podemos validar y verificar el modelo.
Los elementos visuales son una poderosa herramienta para mostrar los hallazgos de validación y verificación, ya que nos permiten de una manera clara y simple contar a terceros sobre la efectividad de los módelos. En este módulo veremos algunas de estas herramientas así como su interpretación y uso.
Las soluciones de software basados en deep learning se han vuelto las más populares por lo resultados tan impresionantes que ofrecen. Daremos una breve introducción a este tipo de módelos, así como sus aplicaciones, pero principalmente a como los verificamos.
Uno de los grandes problemas con los sistemas de aprendizaje automatico es que pueden multiplicar los sesgos y los prejuicios, voluntarios o involuntarios, de sus creadores por lo que es muy importante identificar estas situaciones, en este módulo abordaremos las técnicas necesarias para su tratamiento.
Make your own site - Try it