Saltar al contenido principal
SkillsBuild

Aprendizaje automático para proyectos de ciencia de datos

Introducción

El rápido crecimiento de la IA en las empresas presenta oportunidades sin precedentes, por un lado, y el riesgo de exposición legal, por otro. La nueva ola de profesionales expertos en ciencia de datos, ML y técnicas de IA desempeña un papel fundamental a la hora de ayudar a las empresas a navegar por estas aguas inexploradas.

IBM SkillsBuild para el mundo académico
Curso autodidáctico

Saber más.
Ciencia de datos E-learning Aprendizaje automático para proyectos de ciencia de datos

¿Busca trabajo?

Obtén información sobre cómo utilizar las tecnologías de bajo código de IA y aprendizaje automático para automatizar parte de la metodología de la ciencia de datos y únete a una oleada de nuevos profesionales con acceso a millones de puestos de trabajo disponibles en el mercado.

¿Buscas un trabajo mejor?

Utilizar métodos y herramientas avanzados de ciencia de datos, aprovechando las ciencias estadísticas, las tecnologías de aprendizaje automático y los conjuntos de datos específicos del sector, para aplicar modelos de datos únicos que puedan resolver problemas difíciles en todos los sectores.

Objetivos

Este curso presenta temas avanzados fundamentales para la profesión de la ciencia de datos.

Alcance

  • Modelización de datos
  • Aprendizaje automático
  • Aprendizaje profundo
  • Casos de uso en el mundo real.

Resultados del aprendizaje:

  • Comprender el uso de la automatización de la IA para acelerar el ciclo de vida de la gestión del modelo de datos.
  • Comprensión de los principios del álgebra lineal para el aprendizaje automático
  • Conocimiento de las distintas técnicas de modelización
  • Conocimiento de las técnicas de validación y selección de modelos
  • Comunicar los resultados traduciendo los conocimientos en valor empresarial
  • Demostrar mediante un proyecto la capacidad de probar diferentes modelos en un conjunto de datos, validar y seleccionar el mejor modelo y comunicar los resultados.
  • Experiencia práctica en IBM AutoAI e IBM Watson Visual Recognition
  • Comprenda la dinámica interna de una compañía de seguros de automóviles y utilice la ciencia de datos y la IA para mejorar los resultados empresariales.

Experiencia del curso

Sobre este curso

Este curso se divide en dos niveles de práctica. Cada nivel cubre temas más avanzados y se basa en los conceptos, la práctica y las habilidades abordadas en los niveles de práctica anteriores.

Nivel 1 - Modelización de datos y aprendizaje automático

Análisis avanzado de datos mediante la adopción del aprendizaje automático.

  1. 1. Modelización de datos*.
  2. 2. Algoritmos de aprendizaje automático*.

Nivel 2 - Automatización de la ciencia de datos de IA

Automatice el proceso de gestión del modelo de datos mediante herramientas avanzadas de IA.

  1. 1. Predecir el fraude mediante AutoAI(estudio de caso interactivo)
  2. 2. Detección de fraudes mediante reconocimiento visual (estudio de caso interactivo)

*Dependiendo de su nivel actual de conocimientos, la comprensión de estos conceptos puede requerir un estudio adicional sobre métodos y algoritmos estadísticos avanzados.

Requisitos previos

Habilidades que debe tener antes de unirse a esta oferta de cursos:

Complete el curso Enterprise Data science in practice de la serie Data Science Practitioner.

Alternativamente, necesitará conocimientos y habilidades previos sobre los siguientes temas:

  • La composición y el funcionamiento de un equipo de ciencia de datos, incluidas las diferentes funciones, procesos y herramientas.
  • Conceptos y métodos estadísticos esenciales para encontrar estructuras en los datos y hacer predicciones.
  • Metodologías de la ciencia de datos: (a) Caracterizar un problema empresarial; (b) Formular una hipótesis; (c) Demostrar el uso de metodologías en el ciclo analítico; (d) Planificar la ejecución.
  • Construir conjuntos de datos utilizables identificando y recopilando los datos necesarios, y manipulando, transformando y limpiando los datos; demostrar la capacidad de tratar anomalías en los datos, como valores omitidos, valores atípicos, datos desequilibrados y normalización de datos.
  • Experiencia práctica con IBM Watson Studio, Data Refinery Spark, Jupyter Notebooks y bibliotecas Python.
  • Visualizar análisis estadísticos, identificar patrones y comunicar eficazmente los resultados a los patrocinadores ejecutivos para la toma de decisiones orientadas a los negocios.

Credencial digital

Intermedio

Machine Learning para Proyectos de Ciencia de Datos

Aprendizaje automático para proyectos de ciencia de datos

Ver placa

Sobre esta Insignia

Esta persona completó todas las actividades de aprendizaje incluidas en esta experiencia de aprendizaje en línea relacionadas con temas avanzados fundamentales para la profesión de la ciencia de datos, incluidas técnicas de modelado de datos; aprendizaje automático; algoritmos de aprendizaje profundo; automatización de la ciencia de datos; demostración de la aplicación de habilidades avanzadas en el campo de la ciencia de datos mediante la representación de roles críticos en un equipo de ciencia de datos que utiliza las últimas herramientas de IA para análisis/automatización para abordar problemas reales.

Habilidades

AI automation, AI-on-AI, AutoAI, Data modeling, Data science, Feature engineering, Fraud analytics, Hyperparameter optimization, Machine learning, ML algorithms, Model deployment, Model training y Visual recognition.

Criterios

  • Debe asistir a una sesión de formación en una institución de educación superior que aplique el programa IBM Skills Academy.
  • Debe haber completado las actividades del curso en línea a su propio ritmo y las comprobaciones de conocimientos que validan la comprensión de los temas tratados.