Aprendizaje no supervisado, sistemas de recomendación y aprendizaje por refuerzo

Gran parte de los datos del mundo no están etiquetados, y algunos de los sistemas de IA más poderosos aprenden explorando sus entornos o comprendiendo las preferencias de los usuarios.Este curso basado en texto lo guía a través de los conceptos fundamentales de aprendizaje no supervisado, motores de recomendación y aprendizaje por refuerzo.Hará la transición de la comprensión de modelos supervisados básicos al diseño de sistemas que agrupan conjuntos de datos complejos, sugieren contenido relevante y toman decisiones autónomas. Lo que aprenderás: - Comprender la lógica fundamental detrás de los algoritmos de agrupamiento como K-means y técnicas de detección de anomalías. - Construya sistemas de recomendación basados en contenido y filtrado colaborativo utilizando principios modernos de aprendizaje profundo. - Implementar modelos de aprendizaje de refuerzo profundo, incluidas las funciones de valor de estado-acción y la optimización de políticas. - Explore las bases de datos vectoriales modernas y las técnicas de incrustación utilizadas para escalar los sistemas de recomendación hoy. - Aplicar métricas de evaluación para evaluar la precisión, el recuerdo y la seguridad de los agentes de aprendizaje no supervisado y de refuerzo. El curso comienza con la terminología esencial y los fundamentos matemáticos de los datos sin etiquetar antes de pasar a los algoritmos de recomendación y los entornos de aprendizaje de refuerzo interactivo. Aprenderá a través de explicaciones escritas detalladas y recorridos de código paso a paso. Diseñado para principiantes con un conocimiento básico de Python y conceptos introductorios de aprendizaje automático, este curso no requiere experiencia previa en IA avanzada.