Probabilidad Nivel Avanzado
Curso teórico-práctico donde aprenderás sobre el funcionamiento y la aplicación práctica de algoritmos y modelos probabilísticos fundamentales en el Machine Learning.
Qué son la covarianza y la correlación, en qué se diferencian la una de la otra y cuáles son sus principales usos
Qué es la matriz de covarianza y por qué es un elemento esencial en diferentes algoritmos del Machine Learning
Qué son y cómo funcionan el Análisis de Componentes Principales, los Modelos de Mezcla Gaussiana y la clasificación con Naive Bayes
Cómo resolver problemas de Machine Learning usando el Análisis de Componentes Principales, los Modelos de Mezcla Gaussiana y Naive Bayes
La covarianza
La correlación
La matriz de covarianza
¿Qué es y para qué sirve el análisis de componentes principales?
Análisis de Componentes Principales: explicación detallada
Proyecto: reducción de dimensionalidad usando PCA
¿Qué son y para qué sirven los modelos de mezcla Gaussiana?
Modelos de Mezcla Gaussiana: explicación detallada
Proyecto: segmentación de clientes usando GMMs
¿Qué son y para qué sirven los modelos de Naive Bayes?
Modelos de Naive Bayes: explicación detallada
Proyecto: detección de spam con Modelos de Naive Bayes
Se sugiere haber tomado los cursos “Álgebra Lineal para Ciencia de Datos y Machine Learning”, “Probabilidad Nivel Básico” y “Probabilidad Nivel Intermedio”, disponibles acá en la Academia Online.
Experiencia en la programación en Python y en el uso de las librerías Matplotlib y NumPy (cursos también disponibles acá en la Academia Online)
Miguel Sotaquirá