Con esta experiencia de aprendizaje, conoce los aspectos fundamentales del aprendizaje automático, comenzando con los fundamentos matemáticos que lo soportan, en especial la teoría de las probabilidades y álgebra lineal, empleando además el pensamiento lógico para analizar y resolver casos cotidianos.
Explora los dos principales paradigmas de aprendizaje: supervisado y no supervisado.
El primero se enfoca en técnicas de clasificación y la regresión, mediante las cuales se logran aplicaciones en campos como visión artificial y reconocimiento de voz. Bajo este paradigma, los datos deben ser etiquetados o categorizados por un humano, de tal manera que se “enseña” o entrena al algoritmo para relacionar ejemplos de entrada con las salidas, y de este modo dar respuesta al sistema.
Por otra parte, el aprendizaje no supervisado se emplea en el manejo de grandes cantidades de datos sin etiquetar, debido a esto no puede obtenerse ninguna forma de retroalimentación supervisada sobre el procesamiento que ocurre, o los métodos supervisados no son capaces de brindar una solución a este tipo de los problemas. Para trabajar con dicha información, es necesario aplicar técnicas que permitan modelarla, entre ellas la agrupación en clústeres, que tiene numerosos algoritmos en la literatura.
Finalmente, aplica los procesos mencionados y conoce la manera adecuada de implementarlos en una solución integral que pueda utilizarse de manera eficiente en un entorno real.