Machine Learning University
Machine Learning University (MLU) proporciona acceso a cualquier persona, en cualquier momento y lugar, a los mismos cursos de machine learning utilizados para formar a los propios desarrolladores de Amazon en machine learning. Con MLU, todos los desarrolladores pueden aprender a utilizar machine learning con la serie de aprendizaje MLU Accelerator a su propio ritmo. La serie MLU Accelerator está diseñada para que inicie su proceso de aprendizaje del machine learning con tres cursos básicos de tres días sobre procesamiento de lenguaje natural, datos tabulares y visión artificial. Al finalizar la serie Accelerator, el curso sobre árboles de decisión y métodos de conjunto ofrece una serie de clases más avanzadas de cinco días sobre modelos basados en árboles y conjuntos. Mediante vídeos secuenciales de YouTube impartidos por científicos de Amazon con ejemplos prácticos, cuadernos de Jupyter y presentaciones de diapositivas, MLU ofrece una ruta integral de autoservicio para comprender los fundamentos del machine learning. Los materiales del curso están disponibles en GitHub. Consulte a continuación para obtener más detalles sobre nuestros cursos.
Introducción
Los cursos que ofrece Machine Learning University son los mismos que se utilizan para formar a los propios desarrolladores de Amazon en los aspectos básicos del machine learning. Comenzar con MLU es fácil y proporciona a los alumnos una estructura de aprendizaje flexible que pueden hacer a su propio ritmo.
Repasemos lo básico
Para empezar a utilizar MLU, todos los usuarios deben crear una cuenta de AWS. También se recomienda que los alumnos tengan conocimientos básicos del lenguaje de programación Python y estén familiarizados con este para aprovechar al máximo el contenido. Si no es su caso, consulte algunos de nuestros otros recursos de aprendizaje para ver tutoriales introductorios.
Elija una ruta de aprendizaje
Elija una de las tres rutas de aprendizaje en función de sus necesidades. Cada ruta de aprendizaje incluye clases en YouTube, diapositivas, ejercicios prácticos y cuadernos de Jupyter en GitHub.
Comience a aprender
Los alumnos tienen acceso a cuadernos y diapositivas de GitHub para acompañar las clases en vídeo, por lo que pueden guiarse por sí mismos por las lecciones y las actividades prácticas. Vaya a su ritmo y elija las lecciones y los temas que le sean más relevantes.
Procesamiento de lenguaje natural
Resumen del curso
Este curso está diseñado para que pueda comenzar con el procesamiento de lenguaje natural (NLP) y aprenda a usar el NLP en varios casos de uso. Trata temas como el procesamiento de texto, la regresión y los modelos basados en árboles, el ajuste de hiperparámetros, las redes neuronales recurrentes, los mecanismos de atención y los transformadores.
Contenido del curso
Consulte la página de GitHub para ver un desglose detallado de las lecciones, proyectos, cuadernos y más.
Datos tabulares
Resumen del curso
Descubra cómo empezar con los datos tabulares (datos tipo hoja de cálculo) y las técnicas de machine learning más utilizadas para manipular datos tabulares. Este curso trata temas como la ingeniería de características, los modelos y conjuntos basados en árboles, los modelos de regresión, las redes neuronales y el ML automatizado.
Contenido del curso
Consulte la página de GitHub para ver un desglose detallado de las lecciones, proyectos, cuadernos y más.
Visión artificial
Resumen del curso
A lo largo de este curso, adquirirá las competencias necesarias para comenzar a usar la visión artificial. Aprenderá sobre la clasificación de imágenes, las redes neuronales convolucionales, el aprendizaje por transferencia, la detección de objetos y la segmentación semántica.
Contenido del curso
Consulte la página de GitHub para ver un desglose detallado de las lecciones, proyectos, cuadernos y más.
Árboles de decisión y métodos de conjunto
Resumen del curso
Comience con los modelos basados en árboles y conjuntos en esta clase. En este curso, aprenderá sobre los árboles de decisión, las impurezas, la compensación entre sesgo y varianza, los bosques aleatorios, las proximidades, la importancia de las características y la potenciación.
Contenido del curso
Consulte la página de GitHub para ver un desglose detallado de las lecciones, proyectos, cuadernos y más.
IA responsable: equidad y mitigación de sesgos
Resumen del curso
Este curso está diseñado para presentar varias dimensiones de la IA responsable. Se centra en los criterios de equidad y la mitigación de sesgos. Descubra los diferentes criterios de equidad, las mediciones de sesgos y las técnicas de mitigación de sesgos.
Contenido del curso
Consulte la página de GitHub para ver un desglose detallado de las lecciones, proyectos, cuadernos y más.
Más recursos
Profundización sobre machine learning
Mejore sus conocimientos y competencias sobre los servicios de machine learning de AWS.
AWS Training and Certification
Explore las formaciones y los cursos guiados para todos los niveles de experiencia en machine learning de AWS Training and Certification.
Tutoriales prácticos
Utilice estos tutoriales rápidos para empezar a utilizar los servicios de machine learning de AWS y sus casos de uso habituales.