Educación gratuita en línea de IBM

Flujo de trabajo de IA: ingeniería de características y detección de sesgos

Descripción

Este es el tercer curso de la especialización IBM AI Enterprise Workflow Certification. Le recomendamos ENCARECIDAMENTE que complete estos cursos en orden, ya que no son cursos individuales independientes, sino parte de un flujo de trabajo en el que cada curso se basa en los anteriores.  

El curso 3 le presenta la siguiente etapa del flujo de trabajo de nuestra hipotética empresa de medios. En esta etapa del trabajo, aprenderá las mejores prácticas para la ingeniería de características, el manejo de los desequilibrios de clases y la detección de sesgos en los datos. Los desequilibrios de clases pueden afectar seriamente la validez de sus modelos de aprendizaje automático, y la mitigación del sesgo en los datos es esencial para reducir el riesgo asociado con los modelos sesgados. Estos temas irán seguidos de secciones sobre las mejores prácticas para la reducción de dimensiones, la detección de valores atípicos y las técnicas de aprendizaje sin supervisión para encontrar patrones en sus datos. Los estudios de caso se centrarán en el modelado de temas y la visualización de datos.
 
Al final de este curso podrás:
1. Emplear las herramientas que ayudan a abordar los problemas de clase y de desequilibrio de clases.
2. Explicar las consideraciones éticas con respecto al sesgo en los datos.
3. Emplear bibliotecas de código abierto ai Fairness 360 para detectar sesgos en los modelos
4. Emplear técnicas de reducción de dimensiones tanto para la EDA como para las etapas de transformación.
5. Describir técnicas de modelado de temas en el procesamiento del lenguaje natural.
6. Utilice el modelado y la visualización de temas para explorar datos de texto.
7. Emplear las mejores prácticas de manejo de valores atípicos en datos de gran dimensión.
8. Emplear algoritmos de detección de valores atípicos como herramienta de aseguramiento de la calidad y herramienta de modelado.
9. Emplear técnicas de aprendizaje no supervisadas utilizando pipelines como parte del flujo de trabajo de IA
10. Emplear algoritmos básicos de agrupación en clústeres
 
¿Quién debería tomar este curso?
Este curso está dirigido a profesionales de ciencia de datos existentes que tienen experiencia en la construcción de modelos de aprendizaje automático, que desean profundizar sus habilidades en la construcción y despliegue de IA en grandes empresas. Si es un aspirante a científico de datos, este curso NO es para usted, ya que necesita experiencia en el mundo real para beneficiarse del contenido de estos cursos.
 
¿Qué habilidades debes tener?
Se asume que ha completado los Cursos 1 y 2 de la especialización de IBM AI Enterprise Workflow y que tiene una sólida comprensión de los siguientes temas antes de comenzar este curso: Comprensión fundamental de Álgebra lineal; Comprender el muestreo, la teoría de la probabilidad y las distribuciones de probabilidad; Conocimiento de conceptos estadísticos descriptivos e inferenciales; Comprensión general de las técnicas de aprendizaje automático y las mejores prácticas; Comprensión práctica de Python y los paquetes comúnmente utilizados en ciencia de datos: NumPy, Pandas, matplotlib, scikit-learn; Familiaridad con IBM Watson Studio; Familiaridad con el proceso de pensamiento de diseño.

Precio: ¡Inscríbase gratis!

Idioma: Inglés

Subtítulos: Inglés

Flujo de trabajo de IA: ingeniería de características y detección de sesgos - IBM