Cursos de capacitación continua
Aprendizaje automático para ciencia de datos
Duración: 40 hrs.
Instructores:
Dr. Alberto Reyes Ballesteros
M.C. Ramiro Hernández Corona
Instructores:
Dr. Alberto Reyes Ballesteros
M.C. Ramiro Hernández Corona
Objetivo:
Que el participante conozca las principales técnicas de aprendizaje automático para ciencia de datos a través de conceptos, casos de estudio y uso de herramientas de software para enfrentar los principales retos en el sector de energía.
Dirigido a:
Profesionistas interesados en abordar retos en el sector de energía mediante aprendizaje automático en ciencia de datos.
2. Aprendizaje automático (ML) (15 horas)
3. Extracción y limpieza de datos (10 horas)
4. Aplicaciones del ML en ciencia de datos (5 horas)
5. Procesamiento del Lenguaje Natural (PLN) para ML con Python (5 horas)
Que el participante conozca las principales técnicas de aprendizaje automático para ciencia de datos a través de conceptos, casos de estudio y uso de herramientas de software para enfrentar los principales retos en el sector de energía.
Dirigido a:
Profesionistas interesados en abordar retos en el sector de energía mediante aprendizaje automático en ciencia de datos.
Temario
1. Fundamentos de IA (5 horas)
Objetivo:
Aprender las bases de la IA, tipos y ciencias que la conforman, así como las aplicaciones más exitosas en diversos dominios.
Aprender las bases de la IA, tipos y ciencias que la conforman, así como las aplicaciones más exitosas en diversos dominios.
Contenido:
1.1. Introducción a la IA
1.2. Tipos de IA
1.3. Ramas de la IA
1.4. Aplicaciones de la IA
1.1. Introducción a la IA
1.2. Tipos de IA
1.3. Ramas de la IA
1.4. Aplicaciones de la IA
2. Aprendizaje automático (ML) (15 horas)
Objetivo:
Conocer las técnicas de aprendizaje automático más utilizadas en ciencia de datos para el sector de energía.
Conocer las técnicas de aprendizaje automático más utilizadas en ciencia de datos para el sector de energía.
Contenido:
2.1. Introducción al aprendizaje automático
2.2. Modelos de aprendizaje supervisado
2.2.1. Redes neuronales
2.2.2. Árboles de decisión
2.3. Modelos de aprendizaje no supervisado
2.3.1. Clustering
2.4. Aprendizaje por refuerzo (RL)
2.4.1. Procesos de decisión de Markov
2.4.2. Algoritmos de RL
2.5. Aprendizaje profundo
2.5.1. Redes convolucionales
2.5.2. Redes recurrentes
2.1. Introducción al aprendizaje automático
2.2. Modelos de aprendizaje supervisado
2.2.1. Redes neuronales
2.2.2. Árboles de decisión
2.3. Modelos de aprendizaje no supervisado
2.3.1. Clustering
2.4. Aprendizaje por refuerzo (RL)
2.4.1. Procesos de decisión de Markov
2.4.2. Algoritmos de RL
2.5. Aprendizaje profundo
2.5.1. Redes convolucionales
2.5.2. Redes recurrentes
3. Extracción y limpieza de datos (10 horas)
Objetivo:
Utilizar herramientas de software para extraer y pre-procesar datos con fines de construcción de modelos de ML.
Utilizar herramientas de software para extraer y pre-procesar datos con fines de construcción de modelos de ML.
Contenido:
3.1. Problemas de calidad de datos
3.2. Conversiones de datos
3.3. Filtrado de datos
3.4. Selección de variables
3.5. Manipulación de datos con Pandas
3.1. Problemas de calidad de datos
3.2. Conversiones de datos
3.3. Filtrado de datos
3.4. Selección de variables
3.5. Manipulación de datos con Pandas
4. Aplicaciones del ML en ciencia de datos (5 horas)
Objetivo:
Conocer aplicaciones, casos de éxito y retos a los que el INEEL se ha enfrentado a través de sus distintos proyectos.
Conocer aplicaciones, casos de éxito y retos a los que el INEEL se ha enfrentado a través de sus distintos proyectos.
Contenido:
4.1. Pronóstico de demanda de energía
4.2. Estimación de vida útil en materiales
4.3. Pronóstico de generación fotovoltaica
4.4. Toma de decisiones en vehículos autónomos
4.1. Pronóstico de demanda de energía
4.2. Estimación de vida útil en materiales
4.3. Pronóstico de generación fotovoltaica
4.4. Toma de decisiones en vehículos autónomos
5. Procesamiento del Lenguaje Natural (PLN) para ML con Python (5 horas)
Objetivo:
Conocer los principales paquetes de Python para el procesamiento de lenguaje natural básico y avanzado.
Conocer los principales paquetes de Python para el procesamiento de lenguaje natural básico y avanzado.
Contenido:
5.1. PLN usando NLTK
5.2. PNL avanzado usando spaCy y Scikit-learn
5.1. PLN usando NLTK
5.2. PNL avanzado usando spaCy y Scikit-learn