Aprendizaje automático para ciencia de datos
Duración: 40 horas
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.
Temario
1. Fundamentos de IA (5 horas)
1.1. Introducción a la IA
1.2. Tipos de IA
1.3. Ramas de la IA
1.4. Aplicaciones de 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)
2.1. Introducción al aprendizaje automático
2.2. Modelos de aprendizaje supervisado
2.2. Modelos de aprendizaje supervisado
2.2.1. Redes neuronales
2.2.2. Árboles de decisión
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
2.4.2. Algoritmos de RL
2.5. Aprendizaje profundo
2.5.1. Redes convolucionales
2.5.2. Redes recurrentes
2.5.2. Redes recurrentes
3. Extracción y limpieza de datos (10 hrs)
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.
3.2. 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)
4.1. Estimación de vida útil en materiales
4.2. Pronóstico de generación eólica
4.3. Pronóstico de generación fotovoltaica
4.4. Toma de decisiones en vehículos autónomos
4.2. Pronóstico de generación eólica
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)
5.1. PLN usando NLTK
5.2. PNL avanzado usando spaCy y Scikit-learn
5.2. PNL avanzado usando spaCy y Scikit-learn