En este módulo, examinaremos cómo mejorar la calidad de los datos y explorar los datos mediante análisis exploratorios. Observaremos la importancia de tener los datos ordenados para el aprendizaje automático y mostraremos su efecto en la calidad de los datos. Por ejemplo, los valores omitidos pueden sesgar los resultados. También aprenderás la importancia de explorar tus datos. Una vez que los datos estén ordenados, realizaremos un análisis exploratorio del conjunto de datos.

En este módulo, presentaremos algunos de los tipos principales de aprendizaje automático, de modo que puedas acelerar tu crecimiento como profesional del AA.

En este módulo, haremos una introducción al entrenamiento de modelos de AutoML con Vertex AI.

En este módulo, haremos una introducción a BigQuery ML y sus capacidades.

En este módulo, explicaremos cómo optimizar tus modelos de AA.

Llegó el momento de responder una pregunta un tanto extraña: ¿en qué situaciones es mejor no elegir el modelo de AA más exacto? Como dimos a entender en el último módulo sobre la optimización, el solo hecho de que un modelo tenga una métrica de pérdida de 0 para un conjunto de datos de entrenamiento no significa que vaya a tener un buen rendimiento cuando se aplique a datos nuevos del mundo real. Aprenderás a crear conjuntos de datos de entrenamiento, evaluación y prueba repetibles y a establecer comparativas de rendimiento.

Este módulo es un resumen del curso Launching into Machine Learning