IA y Machine Learning con Python y sus Aplicaciones

Presentación

Machine Learning o Aprendizaje Máquina es un campo de estudio que en la actualidad es transversal a muchas áreas del campo de la ingeniería. En el presente curso se muestran los conceptos básicos del Aprendizaje Máquina usando el lenguaje de programación Python. Así, en las sesiones se describe a qué nos referimos con Aprendizaje Máquina, su propósito, y, sobre todo, cómo es aplicado a sistemas que utilizamos en nuestra vida diaria. Esto se logrará después de presentar los conceptos y teoría básica de aprendizaje supervisado y no supervisado, así como las tareas de regresión, clasificación y agrupamiento; mostrando sus ventajas frente a otros métodos en aplicaciones tales como la clasificación de imágenes desde números manuscritos, imágenes satelitales, imágenes biomédicas, detección de personas, detección y clasificación de objetos, clasificación de eventos acústicos, detección de anomalías en señales de sensores, entre muchas otras.

Al finalizar el curso, el participante tendrá la habilidad de reconocer qué tareas se pueden realizar de manera automática utilizando los algoritmos presentados y podrá definir los requisitos para poder optimizar los modelos de aprendizaje automático y ponerlos en funcionamiento.

Objetivo

El principal objetivo del curso es dar una visión del campo del Aprendizaje Máquina y sus algoritmos de tal manera que los participantes puedan reflejar en un programa una tarea supervisada (clasificación o regresión) utilizando las herramientas que el ecosistema de Python ofrece para estos fines. Además, se espera que los participantes al finalizar el curso puedan identificar los problemas en los que se puede aplicar los algoritmos de aprendizaje máquina, establecer los requisitos; y, validar los modelos optimizados.

Dirigido a

• Público interno UCSP: Estudiantes de Ingeniería Electrónica, Ingeniería Mecatrónica, Ingeniería Industrial, Ciencias de la Computación, Ingeniería Civil, Ingeniería Ambiental.
• Público externo: Estudiantes y profesionales con conceptos básicos de programación de las carreras afines a Ingeniería Electrónica, Ingeniería de Sistemas, Ciencias de la computación, Ingeniería Industrial, Ingeniería de Telecomunicaciones, Geología, Minas, Ciencias Naturales: Física- Química-Matemática, que deseen automatizar tareas tales como la detección automática de eventos a partir de datos complejos a través del análisis de datos y estimar tendencias futuras, o encontrar grupos particulares de datos utilizando algoritmos propios del campo de la Inteligencia Artificial y del Machine Learning.

Contenido

Sesión 1:

• • Introducción al Machine Learning.
  • Aplicaciones del Machine Learning.
  • Introducción a Python.

Sesión 2:

• • Características y espacios multidimensionales.
  • Formación de Bases de Datos.
  • Aprendizaje Supervisado vs No supervisado.

Sesión 3:

• • Regresión: Regresión Lineal 1.
  • Funciones de Coste.
  • Ejemplos: Estimación de graduados en universidades.
  • Ejemplos: Predicción de ventas.

Sesión 4:

• • Regresión: Regresión Lineal 2.
  • Ejemplos: Stock prediction.

Sesión 5:

• • Regresión No-Lineal.
  • Evaluación de modelos.
  • Ejemplos: Estimación de valor de acciones.

Sesión 6:

• • Regresión No-Lineal: Ridge regression, Lasso regression y ElasticNet.
  • Evaluación de modelos.
  • Ejemplos: Calidad de aire.

Sesión 7:

• • Regresión Logística.
  • Ejemplos de clasificación Binaria.
  • Ejemplos de clasificación Multiclase.
  • Ejemplo: Estimación de porosidad en materiales.

Sesión 8:

• • K-NN.
  • Árboles de decisión.
  • Ejemplos de clasificación Multiclase.

Sesión 9:

• • Introducción a Máquinas Kernel.
  • Ejemplos de regresión.
  • Ejemplos de clasificación.

Sesión 10:

• • Redes Neuronales.
  • Ejemplos de regresión.

Sesión 11:

• • Redes Neuronales.
  • Ejemplos de clasificación.

Sesión 12:

• • Redes Neuronales para series temporales.
  • Ejemplos de clasificación y regresión.

Sesión 13:

• • Aprendizaje no supervisado.
  • K-means.
  • Agrupamiento en imágenes satelitales.

Sesión 14:

• • Aprendizaje no supervisado.
  • Agrupamiento en imágenes multiespectrales.

Sesión 15:

• • Ejemplos de aplicación varios.

Expositor

M.Sc. Juan José Choquehuanca Zevallos

Egresado de la Universidad Nacional de San Agustín. Posee estudios de maestría en la Universidad Carlos III de Madrid, España. Se especializa en el procesamiento de datos espaciales y temporales utilizando técnicas de Aprendizaje Automático. Posee publicaciones en el campo del procesamiento de la señal en revistas indizadas y congresos. Actualmente se desempeña como docente de la Universidad Católica San Pablo.

Metodología

Teórica-práctica.

Requisitos de admisión

• Ficha de inscripción.
• Comprobante de pago.
• Correo en Gmail para conectarse a las sesiones.

Creditaje

01 crédito de formación interdisciplinar interno para las carreras profesionales de:

• • Ingeniería Electrónica y Telecomunicaciones.
  • Ingeniería Mecatrónica.

Duración

15 sesiones.

Calendario

Inversión

• Precio: S/ 370.00
• Pronto pago hasta el 23 de octubre: S/ 350.00
• Descuentos:
  • 15% de descuento a comunidad UCSP.
  • 10% de descuento corporativo (3 personas).
  • 10% de descuento para los Colegiados del Colegio de Ingenieros del Perú.
  • 10% de descuento para los miembros de la Cámara de Comercio e Industria de Arequipa.

Certificación

Certificado digital a nombre de Formación Continua de la Escuela de Postgrado y el Departamento de Ingeniería Eléctrica y Electrónica.

Organiza