Ingeniería de Inteligencia Artificial Certificado profesional de IBM - Coursera

Aprendizaje automático escalable en Big Data con Apache Spark

Este curso, parte del Certificado Profesional de IBM en Ingeniería de Inteligencia Artificial le otorgará las habilidades para escalar tareas de ciencia de datos y aprendizaje automático (ML) en conjuntos de Big Data utilizando Apache Spark. La mayor parte del trabajo de aprendizaje automático del mundo real implica conjuntos de datos muy grandes que van más allá de las limitaciones de CPU, memoria y almacenamiento de una sola computadora.

Apache Spark es un marco de código abierto que aprovecha la computación en clúster y el almacenamiento distribuido para procesar conjuntos de datos extremadamente grandes de una manera eficiente y rentable. Por lo tanto, un conocimiento aplicado del trabajo con Apache Spark es un gran activo y un diferenciador potencial para un ingeniero de aprendizaje automático.

Después de completar este curso, podrá:

1. obtener una comprensión práctica de Apache Spark y aplicarla para resolver problemas de aprendizaje automático que involucran tanto datos pequeños como grandes.
2. Comprender cómo se escribe el código paralelo, capaz de ejecutarse en miles de CPU.
3. Hacer uso de clústeres de cómputo a gran escala para aplicar algoritmos de aprendizaje automático en petabytes de datos utilizando Apache SparkML Pipelines.
4. Eliminar los errores de memoria insuficiente generados por los marcos tradicionales de aprendizaje automático cuando los datos no caben en la memoria principal de una computadora.
5. Probar miles de modelos de aprendizaje automático diferentes en paralelo para encontrar el de mejor rendimiento, una técnica utilizada por muchos Kagglers exitosos.
6. ( Opcional) ejecute sentencias SQL en conjuntos de datos muy grandes mediante Apache SparkSQL y la API Apache Spark DataFrame. Inscríbase ahora para aprender las técnicas de aprendizaje automático para trabajar con Big Data que han sido aplicadas con éxito por empresas como Alibaba, Apple, Amazon, Baidu, eBay, IBM, NASA, Samsung, SAP, TripAdvisor, Yahoo !, Zalando y muchas otras.

NOTA: Practicará la ejecución de tareas de aprendizaje automático de forma práctica en un clúster de Apache Spark proporcionado por IBM sin cargo durante el curso, que podrá seguir utilizando posteriormente. Requisitos previos: - programación básica de Python - aprendizaje automático básico (en este curso también se proporcionan videos de introducción opcionales) - Habilidades básicas de SQL para contenido opcional Se recomiendan los siguientes cursos antes de tomar esta clase (a menos que ya tenga las habilidades) https: // www.coursera.org/learn/python-for-applied-data-science o similar https://www.coursera.org/learn/machine-learning-with-python o similar https://www.coursera.org/ learn / sql-data-science para conferencias opcionales

Introducción al aprendizaje profundo y las redes neuronales con Keras

¿Está buscando comenzar una carrera en Deep Learning? No busque más. Este curso lo introducirá en el campo del aprendizaje profundo y lo ayudará a responder muchas preguntas que la gente se hace hoy en día, como qué es el aprendizaje profundo y cómo se comparan los modelos de aprendizaje profundo con las redes neuronales artificiales.

Aprenderá sobre los diferentes modelos de aprendizaje profundo y creará su primer modelo de aprendizaje profundo utilizando la biblioteca de Keras.

Después de completar este curso, los alumnos podrán:

1. Describir qué es una red neuronal, qué es un modelo de aprendizaje profundo y la diferencia entre ellos.
2. Demostrar comprensión de modelos de aprendizaje profundo no supervisados, como codificadores automáticos y máquinas de Boltzmann restringidas.
3. Demostrar una comprensión de los modelos de aprendizaje profundo supervisados, como las redes neuronales convolucionales y las redes recurrentes.

Redes neuronales profundas con PyTorch

El curso le enseñará cómo desarrollar modelos de aprendizaje profundo utilizando Pytorch. El curso comenzará con los tensores de Pytorch y el paquete de diferenciación automática. Luego, cada sección cubrirá diferentes modelos comenzando con los fundamentos como la regresión lineal y la regresión logística / softmax. Seguido por las redes neuronales profundas Feedforward, el papel de las diferentes funciones de activación, normalización y capas de abandono. Luego, se tratarán las redes neuronales convolucionales y el aprendizaje por transferencia. Finalmente, se cubrirán varios otros métodos de aprendizaje profundo.

Resultados del aprendizaje: después de completar este curso, los alumnos podrán:

1. Explicar y aplicar su conocimiento de las redes neuronales profundas y los métodos de aprendizaje automático relacionados • saber cómo usar bibliotecas de Python como PyTorch para aplicaciones de aprendizaje profundo
2. Crear redes neuronales profundas con PyTorch

Creación de modelos de aprendizaje profundo con TensorFlow

La mayoría de los datos del mundo no están etiquetados ni estructurados. Las redes neuronales superficiales no pueden capturar fácilmente la estructura relevante en, por ejemplo, imágenes, sonido y datos textuales. Las redes profundas son capaces de descubrir estructuras ocultas dentro de este tipo de datos. En este curso, usará la biblioteca de TensorFlow para aplicar el aprendizaje profundo a diferentes tipos de datos con el fin de resolver problemas del mundo real.

Resultados de aprendizaje: Después de completar este curso, los alumnos podrán:

1. Explicar los conceptos fundamentales de TensorFlow, como las funciones principales, las operaciones y los canales de ejecución.
2. Describir cómo se puede usar TensorFlow en el ajuste de curvas, regresión, clasificación y minimización de funciones de error.
3. Comprender diferentes tipos de arquitecturas profundas, como redes convolucionales, redes recurrentes y codificadores automáticos.

Proyecto AI Capstone con Deep Learning

En esta piedra angular, los alumnos aplicarán su conocimiento y experiencia de aprendizaje profundo a un desafío del mundo real. Utilizarán una biblioteca de su elección para desarrollar y probar un modelo de aprendizaje profundo. Cargarán y preprocesarán datos para un problema real, construirán el modelo y lo validarán. Luego, los estudiantes presentarán un informe del proyecto para demostrar la validez de su modelo y su competencia en el campo del aprendizaje profundo.

Resultados del aprendizaje:

1. Determinar qué tipo de método de aprendizaje profundo usar en qué situación
2. Saber cómo construir un modelo de aprendizaje profundo para resolver un problema real
3. Dominar el proceso de creación de una canalización de aprendizaje profundo
4. Aplicar el conocimiento del aprendizaje profundo para mejorar los modelos utilizando datos reales
5. Demostrar la capacidad de presentar y comunicar los resultados de proyectos de aprendizaje profundo