Descripción del curso
Hoy en día se han vuelto muy populares las soluciones que implican elementos de aprendizaje de maquina (machine learning), puesto que han probado de sobremanera ser exitosas en la solución de tareas complejas. La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología del machine learning, dado que con este tipo de soluciones ayudan a trabajar de manera más eficiente o lograr una ventaja sobre sus competidores. Con este contexto es necesario que los testers sepan cómo evaluar si los modelos son efectivos o no; el hacer testing a modelos de aprendizaje de maquina es un paradigma completamente diferente, todas nuestras herramientas o técnicas que hemos aprendido con el paso de los años, desafortunadamente son ineficaces, es por ello que los testers deben aprender un nuevo conjunto de herramientas que les ayudaran a producir valor en la industria del software donde cada vez hay más proyectos y productos basados en modelos de aprendizaje automático.
Objetivos Generales
Proporcionar las herramientas mínimas necesarias para poder realizar pruebas al software basado en modelos de aprendizaje automático.
Objetivos Específicos
El alumno al finalizar el curso, podrá:
- Comprender las diferencias entre realizar testing de software tradicional y validación de modelos de aprendizaje automático
- Identificar los elementos para validar modelos de clasificación
- Validar modelos de clasificación
Conocimiento previos
Este curso está pensado para cualquier persona que quiera iniciar en el testing de software basado en modelos de aprendizaje de maquina(machine learning), por lo que los temas previos a conocer son únicamente los siguientes:
- Nociones de estadística y probabilidad (de forma conceptual básica)
- Conocimientos básicos de programación (de preferencia en python)
A quién va dirigido
- Testers
- Programadores
- Académicos
- Estudiantes
- Analistas
- Personas interesadas en conocer técnicas para evaluar si una solución de machine learning es óptima.
Requerimientos
Conexión a internet
Navegador chrome
Cuenta de google (gmail) para acceder a los ejercicios
Días y horarios
No programado. Escribirnos para consultar por el dictado de este curso para grupos. Mínimo: 5 alumnos.
Duración
14 horas.
Modalidad
El curso comprende de 5 clases online con una carga de 2.5 a 3 horas
Clases/Sesiones por Módulo
Módulo 1: Clase 1
Módulo 2: Clase 2
Módulo 3: Clase 3 y 4
Modulo 4: Clase 5
Contenido detallado
Modulo 1.- Primeramente es necesario abordar temas y conceptos básicos del aprendizaje de maquina, como por ejemplo los tipos de aprendizaje, los problemas que se pueden resolver, el proceso que sigue la creación de una solución de este tipo y otros conceptos que son necesarios para el entendimiento a nivel general de este tipo de software. Adicionalmente daremos un vistazo al uso de las herramientas que se usaran en el curso.
Modulo 2.- Como en todo proceso científico experimental, existen situaciones donde la solución no es correcta o está incompleta, por lo que necesitamos poder identificar este tipo de coyunturas, para ello veremos en este modulo cómo hacerlo. De igual forma también veremos un conjunto de instrumentos que nos ayudan a evaluar de forma sencilla la validez de un modelo.
Modulo 3.- Uno de los usos mas comunes que tienen los modelos de aprendizaje automático, es el de realizar tareas de clasificación, por lo que es necesario conocer las métricas especificas de evaluación de este tipo de soluciones, con las cuales podemos validar y verificar el modelo.
Modulo 4.- Los elementos visuales son una poderosa herramienta para mostrar los hallazgos de validación y verificación, ya que nos permiten de una manera clara y simple contar a terceros sobre la efectividad de los modelos. En este modulo veremos algunas de estas herramientas así como su interpretación y uso.
Temario
• Modulo 1. Introducción
I. Principios básicos del ML
II. Introducción a Jupyter y colaboratory
III. Conceptos de aprendizaje estadístico
• Modulo 2. Conceptos básicos de validación
I. Overfitting
II. Underfitting
III. Validación cruzada
IV. Matriz de confusión
• Modulo 3.Metricas de evaluación
I. Métricas de evaluación de clasificadores
II. Métricas de evaluación para clasificación multiclase
• Modulo 4.Elementos visuales de validación
I. Curvas de validación
II. Curvas de aprendizaje
III. Curvas AUC-ROC
Inversión
Consultar precios a info@argentesting.com
Contacto
Te responderemos a la brevedad
Webinars relacionados
Instructor
Christian Ramírez
Es ingeniero en computación por la Facultad de Ingeniería de la Universidad Nacional Autónoma de México(UNAM), realizó estudios de maestría en el instituto de astronomía y en el instituto de ciencias nucleares de la UNAM y cuenta con un posgrado en “Deep Learning” por la Universidad de California en Irvine.
Ha impartido mas de 25 conferencias relacionadas a temas de testing e inteligencia artificial en países como Suecia, Alemania, Estonia, España por mencionar algunos.
Fue parte del equipo original de Google Docs como SDET, actualmente dirige formiikLabs la división de investigación y desarrollo de la empresa formiik.