Esta es una colección de cursos de aprendizaje automático en línea gratuitos y de calidad, de algunas universidades estimadas y otros puntos de venta en línea.
Ya sea que estés buscando temas introductorios o más avanzados, teóricos o prácticos, o generales o específicos, los cursos aquí deberían ayudarlo a eliminar esa picazón de aprendizaje de fin de año.
Echa un vistazo a los cursos a continuación y aprende algo nuevo hoy.
No olvides consultar las publicaciones relacionadas en la parte inferior para obtener más publicaciones con cursos gratuitos de aprendizaje automático.
Te puede interesar también:
- Descubre el mundo de la microelectrónica con este curso gratis
- Raspberry Pi: Curso online gratis te enseña todo lo que necesitas saber
- ¿Cómo crear un currículum en inglés? Este curso gratuito te enseña
1. Aprendizaje automático en Python
Springboard
El aprendizaje automático es una de las nuevas tecnologías más candentes que surgieron en la última década, transformando campos desde la electrónica de consumo y la atención médica hasta el comercio minorista. Esto ha llevado a una intensa curiosidad sobre la industria entre muchos estudiantes y profesionales en activo.
Si es un profesional de la tecnología, como un desarrollador de software, un analista comercial o incluso un gerente de productos, es posible que sienta curiosidad por saber cómo el aprendizaje automático puede cambiar su forma de trabajar y llevar su carrera al siguiente nivel. Sin embargo, como profesional ocupado, probablemente también esté buscando una manera de obtener una comprensión sólida del aprendizaje automático que no solo sea riguroso y práctico, sino también conciso y rápido. Este tutorial de aprendizaje automático lo ayudará a lograr sus objetivos.
2. Introducción a la Universidad de Machine Learning
en Buffalo
El aprendizaje automático es un tema interesante sobre el diseño de máquinas que pueden aprender de los ejemplos. El curso cubre la teoría, los principios y los algoritmos necesarios para el aprendizaje automático. Los métodos se basan en estadísticas y probabilidad, que ahora se han vuelto esenciales para diseñar sistemas que muestren inteligencia artificial.
Los libros de texto de referencia para diferentes partes del curso son “Reconocimiento de patrones y aprendizaje automático” de Chris Bishop (Springer 2006) y “Modelos gráficos probabilísticos” de Daphne Koller y Nir Friedman (MIT Press 2009) y “Aprendizaje profundo” de Goodfellow, Bengio y Courville (MIT Press 2016).
3.
Inteligencia artificial práctica: un enfoque práctico para el aprendizaje automático
4. Un curso de aprendizaje automático con
la mentalidad de aprendizaje automático de Python
El Machine Learning, como herramienta de la Inteligencia Artificial, es uno de los campos científicos más adoptados. Se ha publicado una cantidad considerable de literatura sobre Machine Learning. El propósito de este proyecto es proporcionar los aspectos más importantes del aprendizaje automático mediante la presentación de una serie de tutoriales simples pero completos usando Python. En este proyecto, construimos nuestros tutoriales utilizando muchos marcos de aprendizaje automático bien conocidos, como Scikit-learn.
5. Aprendizaje automático para sistemas inteligentes
Universidad de Cornell
El campo del aprendizaje automático se ocupa de la cuestión de cómo construir programas informáticos que mejoren automáticamente con la experiencia. Recientemente, se han desarrollado muchas aplicaciones exitosas de aprendizaje automático, que van desde programas de extracción de datos que aprenden a detectar transacciones fraudulentas con tarjetas de crédito, hasta sistemas de filtrado de información que aprenden las preferencias de lectura de los usuarios, hasta vehículos autónomos que aprenden a conducir. También ha habido avances importantes en la teoría y los algoritmos que forman la base de este campo. Este curso proporcionará una amplia introducción al campo del aprendizaje automático. Prerrequisitos: CSE 241 y suficiente madurez matemática (Matrix Algebra, teoría de probabilidad/estadística, cálculo multivariado).
6. Universidad de Aprendizaje Profundo
en Buffalo
Los algoritmos de aprendizaje profundo aprenden representaciones de datos de varios niveles, y cada nivel explica los datos de manera jerárquica. Dichos algoritmos han sido efectivos para descubrir la estructura subyacente en los datos, por ejemplo, características para discriminar entre clases. Han tenido éxito en muchos problemas de inteligencia artificial, incluida la clasificación de imágenes, el reconocimiento de voz y el procesamiento del lenguaje natural. El curso, que se impartirá a través de conferencias y proyectos, cubrirá la teoría subyacente, la gama de aplicaciones a las que se ha aplicado y el aprendizaje de conjuntos de datos muy grandes. El curso cubrirá las arquitecturas conexionistas comúnmente asociadas con el aprendizaje profundo, por ejemplo, redes neuronales básicas, redes neuronales convolucionales y redes neuronales recurrentes. Los métodos para entrenar y optimizar las arquitecturas y los métodos para realizar inferencias efectivas con ellas serán el enfoque principal. Se alentará a los estudiantes a usar bibliotecas de software de código abierto como Tensorflow.
7. Aprendizaje Profundo en Visión por Computador
Universidad de Ryerson
Computer Vision se define ampliamente como el estudio de la recuperación de propiedades útiles del mundo a partir de una o más imágenes. En los últimos años, Deep Learning se ha convertido en una poderosa herramienta para abordar tareas de visión artificial. Este curso cubrirá una variedad de temas fundamentales en la intersección de Deep Learning y Computer Vision.
8. Interpretabilidad y explicabilidad en el aprendizaje automático de
la Universidad de Harvard
Dado que los modelos de aprendizaje automático se emplean cada vez más para ayudar a los tomadores de decisiones en entornos de alto riesgo, como la atención médica y la justicia penal, es importante asegurarse de que los tomadores de decisiones (usuarios finales) comprendan correctamente y, en consecuencia, confíen en la funcionalidad de estos modelos. Este curso de nivel de posgrado tiene como objetivo familiarizar a los estudiantes con los avances recientes en el campo emergente de ML interpretable y explicable. En este curso, revisaremos documentos de posición seminales del campo, comprenderemos la noción de interpretabilidad y explicabilidad del modelo, discutiremos en detalle diferentes clases de modelos interpretables (p. ej., enfoques basados en prototipos, modelos lineales dispersos, técnicas basadas en reglas, modelos aditivos generalizados) , explicaciones post-hoc (explicaciones de caja negra que incluyen explicaciones contrafactuales y mapas de prominencia), y explorar las conexiones entre interpretabilidad y causalidad, depuración y equidad. El curso también enfatizará en varias aplicaciones que pueden beneficiarse inmensamente de la interpretabilidad del modelo, incluida la justicia penal y la atención médica.
Nota del editor: curso en progreso al momento de escribir, no todos los recursos disponibles aún en línea.
9. Temas en el procesamiento del lenguaje natural
Universidad Ben-Gurion del Negev
El curso es una introducción al procesamiento del lenguaje natural. El objetivo principal de la asignatura es aprender a desarrollar sistemas informáticos prácticos capaces de realizar tareas inteligentes en lenguaje natural: analizar, comprender y generar texto escrito. Esta tarea requiere material de aprendizaje de varios campos: lingüística, aprendizaje automático y análisis estadístico, y técnicas básicas de lenguaje natural.
10. Curso de Modelos Gráficos Probabilísticos
Universidad de Buffalo
Los modelos gráficos probabilísticos son representaciones gráficas de distribuciones de probabilidad. Dichos modelos son versátiles para representar distribuciones de probabilidad complejas que se encuentran en muchas aplicaciones científicas y de ingeniería. Ahora se han vuelto esenciales para diseñar sistemas que muestren inteligencia artificial avanzada, como modelos generativos para el aprendizaje profundo.
El curso cubre teoría, principios y algoritmos asociados con modelos gráficos probabilísticos. Se analizan tanto los modelos gráficos dirigidos (redes bayesianas) como los modelos gráficos no dirigidos (redes de Markov) que abarcan la representación, la inferencia y el aprendizaje.
Deja tus comentarios y sugerencias
Sobre Facialix
Facialix es un sitio web que tiene como objetivo apoyar en el aprendizaje y educación de jóvenes y grandes. Buscando y categorizando recursos educativos gratuitos de internet, de esta manera Facialix ayuda en el constante aprendizaje de todos.
