4.9
estrellas

163,453 calificaciones

•

Instructores

Jose Uriel Gomez


Jaiver Muñoz

Organizado por

* Obtén 30% de descuento en la segunda persona
Antes del 8 de octubre (2 Pax)

* Si deseas participar solo en una clase tiene un valor de $200.000 (Incluye certificado)

Aprendizaje Automático

Universidad de Stanford

Acerca de este Curso

En este curso de cocina te ofreceremos la posibilidad de preparar sabores especiales enfocados en 5 temáticas las cuales construiremos cada semana, cocinaremos en 5 sesiones múltiples platos con diversos sabores. Estarás acompañado con tres grandes expertos, dos chef y nuestro barman. Cada plato es explicado, guiado, preparado y acompañado con nuestros instructores, te enseñaremos paso a paso a crear grandiosos sabores

Horarios Flexibles

Todos los jueves de 7:00 Pm a 10:00 Pm a partir del 13 de Octubre (4 Clases)

Certificado para compartir

Obtén un certificado al finalizar o completar un minimo de 3 clases Las asistencias por clase tambien tienen certificado

100% Presencial

Inscribete y aprende con los mejores

Aprox. 15 horas para completar

Incluye

Delantal, Materiales, Utensilios, Recetario, Maridaje, Ingredientes, Certificado

Habilidades que obtendrás

Conocimiento sobre salsas Cocina del pacifico Recetas Técnicas de cocinaCocteleria Tecnicas de cocina

Horario Flexible

Todos los jueves de 7:00 Pm a 10:00 Pm a partir del 13 de Octubre (4 Clases)

Certificado para compartir

Obtén un certificado al finalizar o completar un minimo de 3 clases

Las asistencias por clase tambien tienen certificado

100 % Presencial

Inscribete y aprende con los mejores.

Aprox. 15 horas para completar

Incluye

Delantal,Materiales, Utensilios, Recetario,Maridaje,Ingredientes,Certificado

MOSTRAR TODO SUBTITLE LANGUAGES

Instructor

Jose Uriel Gomez

Instructor principal

Instructor

Ha sido Chef en diversas cadenas hoteleras como Radisson y ahora con Hilton. Creador de los platos del pacifico en nuestra carta actual.

Jaiver Muñoz

Instructor principal

Instructor

Chef Ejecutivo en nuestro hotel Hilton Garden inn, con trayectoria en prestigiosos clubes de nuestro país, especialista en postres, participante y ganador de varios concursos de cocina.
lider y creador de recetas innovadoras en en el mundo gastronómico, con gran técnica en emplatado y diseño de menús

Organizado por

Hilton Garden Inn Bogotá Airport

Estamos ubicados a solo cinco minutos del Aeropuerto Internacional El Dorado.

Dirección: Cr 82 No 25g-84
Telefono o WhatsApp: 320 257 1267
ventas@hgiairportbogota.com

Coursera me da la flexibilidad que necesito para tomar cursos en mis propios términos.

— Chelsea R.

Aprender no solo se trata de hacer mejor un trabajo: implica mucho más. Coursera me permite aprender sin límites.

— Chaitanya A.

Adquirir nuevos conocimientos y habilidades a través de Coursera me ayudó a romper el molde en el que estaba hace más de una década. Coursera me abrió puertas.

— Loreelei G.

Coursera me da la flexibilidad que necesito para tomar cursos en mis propios términos.

— Chelsea R.

Aprender no solo se trata de hacer mejor un trabajo: implica mucho más. Coursera me permite aprender sin límites.

— Chaitanya A.

Adquirir nuevos conocimientos y habilidades a través de Coursera me ayudó a romper el molde en el que estaba hace más de una década. Coursera me abrió puertas.

— Loreelei G.

Coursera me da la flexibilidad que necesito para tomar cursos en mis propios términos.

— Chelsea R.

Aprender no solo se trata de hacer mejor un trabajo: implica mucho más. Coursera me permite aprender sin límites.

— Chaitanya A.

Adquirir nuevos conocimientos y habilidades a través de Coursera me ayudó a romper el molde en el que estaba hace más de una década. Coursera me abrió puertas.

— Loreelei G.

Programa - Qué aprenderás en este curso

Semana

Semana 1

Octubre 13 - Duración 3 horas

Ceviche de Pescado

Crema de Chontaduro con hierbas de azotea

Empanadas de pipian

Flan de Coco

Arrechon

Octubre 13 - Duración 3 horas

5 videos

Welcome to Machine Learning!1m

Welcome6m

What is Machine Learning?7m

Supervised Learning12m

Unsupervised Learning14m

9 lecturas

Machine Learning Honor Code8m

What is Machine Learning?5m

How to Use Discussion Forums4m

Supervised Learning4m

Unsupervised Learning3m

Who are Mentors?3m

Get to Know Your Classmates8m

Frequently Asked Questions11m

Lecture Slides20m

1 ejercicio de práctica

Introduction30m

3 horas para completar

Cocinaxxx Saludable

Linear regression predicts a real-valued output based on an input value. We discuss the application of linear regression to housing price prediction, present the notion of a cost function, and introduce the gradient descent method for learning.

2 horas para completar

Model Representation8m

Cost Function8m

Cost Function - Intuition I11m

Cost Function - Intuition II8m

Gradient Descent11m

Gradient Descent Intuition11m

Gradient Descent For Linear Regression10m

8 lecturas

Model Representation3m

Cost Function3m

Cost Function - Intuition I4m

Cost Function - Intuition II3m

Gradient Descent3m

Gradient Descent Intuition3m

Gradient Descent For Linear Regression6m

Lecture Slides20m

1 ejercicio de práctica

Linear Regression with One Variable30m

2 horas para completar

Cevichesxx y Tiraditos

This optional module provides a refresher on linear algebra concepts. Basic understanding of linear algebra is necessary for the rest of the course, especially as we begin to cover models with multiple variables.

Noviembre 3 - Duración: 3 horas

6 videos

Matrices and Vectors8m

Addition and Scalar Multiplication6m

Matrix Vector Multiplication13m

Matrix Matrix Multiplication11m

Matrix Multiplication Properties9m

Inverse and Transpose11m

7 lecturas

Matrices and Vectors2m

Addition and Scalar Multiplication3m

Matrix Vector Multiplication2m

Matrix Matrix Multiplication2m

Matrix Multiplication Properties2m

Inverse and Transpose3m

Lecture Slides10m

1 ejercicio de práctica

Linear Algebra30m

Semana

Semana 2

Octubre 20 - Duracion: 3 horas

Ensalada de Mango Biche

Aborrajados de Queso

Arroz con camarones

Repingachos de chorizo y aji de tamarindo

Bisquet de langosta y Pez

Coctel de biche

Octubre 20 - Duracion: 3 horas

8 videos

Multiple Features8m

Gradient Descent for Multiple Variables5m

Gradient Descent in Practice I - Feature Scaling8m

Gradient Descent in Practice II - Learning Rate8m

Features and Polynomial Regression7m

Normal Equation16m

Normal Equation Noninvertibility5m

Working on and Submitting Programming Assignments3m

16 lecturas

Setting Up Your Programming Assignment Environment8m

Access to MATLAB Online and the Exercise Files for MATLAB Users3m

Installing Octave on Windows3m

Installing Octave on Mac OS X (10.10 Yosemite and 10.9 Mavericks and Later)10m

Installing Octave on Mac OS X (10.8 Mountain Lion and Earlier)3m

Installing Octave on GNU/Linux7m

More Octave/MATLAB resources10m

Multiple Features3m

Gradient Descent For Multiple Variables2m

Gradient Descent in Practice I - Feature Scaling3m

Gradient Descent in Practice II - Learning Rate4m

Features and Polynomial Regression3m

Normal Equation3m

Normal Equation Noninvertibility2m

Programming tips from Mentors10m

Lecture Slides20m

1 ejercicio de práctica

Linear Regression with Multiple Variables30m

5 horas para completar

Pasteleriaxx

This course includes programming assignments designed to help you understand how to implement the learning algorithms in practice. To complete the programming assignments, you will need to use Octave or MATLAB. This module introduces Octave/Matlab and shows you how to submit an assignment.

5 horas para completar

6 videos (Total 80 minutos), 2 lecturas, 2 cuestionarios

6 videos

Basic Operations13m

Moving Data Around16m

Computing on Data13m

Plotting Data9m

Control Statements: for, while, if statement12m

Vectorization13m

2 lecturas

Lecture Slides10m

Please read if you've switched from the original version10m

1 ejercicio de práctica

Octave/Matlab Tutorial30m

Semana

Semana 3

Octubre 27 - Duración: 3 horas

Ensalada de Atún

Cazuela del pacifico

Arroz con coco titote

Cocadas

Rey del Pacifico

Octubre 27 - Duración 3 Horas

Classification8m

Hypothesis Representation7m

Decision Boundary14m

Cost Function10m

Simplified Cost Function and Gradient Descent10m

Advanced Optimization14m

Multiclass Classification: One-vs-all6m

8 lecturas

Classification2m

Hypothesis Representation3m

Decision Boundary3m

Cost Function3m

Simplified Cost Function and Gradient Descent3m

Advanced Optimization3m

Multiclass Classification: One-vs-all3m

Lecture Slides10m

1 ejercicio de práctica

Logistic Regression30m

5 horas para completar

Regularization

Machine learning models need to generalize well to new examples that the model has not seen in practice. In this module, we introduce regularization, which helps prevent models from overfitting the training data.

5 horas para completar

4 videos (Total 39 minutos), 5 lecturas, 2 cuestionarios

4 videos

The Problem of Overfitting9m

Cost Function10m

Regularized Linear Regression10m

Regularized Logistic Regression8m

5 lecturas

The Problem of Overfitting3m

Cost Function3m

Regularized Linear Regression3m

Regularized Logistic Regression3m

Lecture Slides10m

1 ejercicio de práctica

Regularization30m

Semana

Semana 4

Noviembre 3 - Duración: 3 Horas

Patacones Endiablados

Crocantes de yuca y Jaiba

Filetes de trucha en salsa de camarones y cilantro cimarron

Bananos en almibar

Tumbacatre

Noviembre 3 - Duración: 3 Horas

Non-linear Hypotheses9m

Neurons and the Brain7m

Model Representation I12m

Model Representation II11m

Examples and Intuitions I7m

Examples and Intuitions II10m

Multiclass Classification3m

6 lecturas

Model Representation I6m

Model Representation II6m

Examples and Intuitions I2m

Examples and Intuitions II3m

Multiclass Classification3m

Lecture Slides10m

1 ejercicio de práctica

Neural Networks: Representation30m

Noviembre 18 - Duración 3 horas

Pastelería

Chescake de frutos rojos

Mouse de bayleis

Tiramisú

Piña colada

Noviembre 18 - Duración 3 horas

Non-linear Hypotheses9m

Neurons and the Brain7m

Model Representation I12m

Model Representation II11m

Examples and Intuitions I7m

Examples and Intuitions II10m

Multiclass Classification3m

6 lecturas

Model Representation I6m

Model Representation II6m

Examples and Intuitions I2m

Examples and Intuitions II3m

Multiclass Classification3m

Lecture Slides10m

1 ejercicio de práctica

Neural Networks: Representation30m

Semana 5

5 horas para completar

Neural Networks: Learning

In this module, we introduce the backpropagation algorithm that is used to help learn parameters for a neural network. At the end of this module, you will be implementing your own neural network for digit recognition.

5 horas para completar

8 videos (Total 78 minutos), 8 lecturas, 2 cuestionarios

8 videos

Cost Function6m

Backpropagation Algorithm11m

Backpropagation Intuition12m

Implementation Note: Unrolling Parameters7m

Gradient Checking11m

Random Initialization6m

Putting It Together13m

Autonomous Driving6m

8 lecturas

Cost Function4m

Backpropagation Algorithm10m

Backpropagation Intuition4m

Implementation Note: Unrolling Parameters3m

Gradient Checking3m

Random Initialization3m

Putting It Together4m

Lecture Slides10m

1 ejercicio de práctica

Neural Networks: Learning30m

Semana

Semana 6

5 horas para completar

Advice for Applying Machine Learning

Applying machine learning in practice is not always straightforward. In this module, we share best practices for applying machine learning in practice, and discuss the best ways to evaluate performance of the learned models.

5 horas para completar

Deciding What to Try Next5m

Evaluating a Hypothesis7m

Model Selection and Train/Validation/Test Sets12m

Diagnosing Bias vs. Variance7m

Regularization and Bias/Variance11m

Learning Curves11m

Deciding What to Do Next Revisited6m

7 lecturas

Evaluating a Hypothesis4m

Model Selection and Train/Validation/Test Sets3m

Diagnosing Bias vs. Variance3m

Regularization and Bias/Variance3m

Learning Curves3m

Deciding What to do Next Revisited3m

Lecture Slides10m

1 ejercicio de práctica

Advice for Applying Machine Learning30m

2 horas para completar

Machine Learning System Design

To optimize a machine learning algorithm, you’ll need to first understand where the biggest improvements can be made. In this module, we discuss how to understand the performance of a machine learning system with multiple parts, and also how to deal with skewed data.

2 horas para completar

5 videos

Prioritizing What to Work On9m

Error Analysis13m

Error Metrics for Skewed Classes11m

Trading Off Precision and Recall14m

Data For Machine Learning11m

3 lecturas

Prioritizing What to Work On3m

Error Analysis3m

Lecture Slides10m

1 ejercicio de práctica

Machine Learning System Design30m

Semana

Semana 7

5 horas para completar

Support Vector Machines

Support vector machines, or SVMs, is a machine learning algorithm for classification. We introduce the idea and intuitions behind SVMs and discuss how to use it in practice.

5 horas para completar

6 videos (Total 98 minutos), 1 lectura, 2 cuestionarios

6 videos

Optimization Objective14m

Large Margin Intuition10m

Mathematics Behind Large Margin Classification19m

Kernels I15m

Kernels II15m

Using An SVM21m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Support Vector Machines30m

Semana

Semana 8

1 hora para completar

Unsupervised Learning

We use unsupervised learning to build models that help us understand our data better. We discuss the k-Means algorithm for clustering that enable us to learn groupings of unlabeled data points.

1 hora para completar

5 videos

Unsupervised Learning: Introduction3m

K-Means Algorithm12m

Optimization Objective7m

Random Initialization7m

Choosing the Number of Clusters8m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Unsupervised Learning30m

5 horas para completar

Dimensionality Reduction

In this module, we introduce Principal Components Analysis, and show how it can be used for data compression to speed up learning algorithms as well as for visualizations of complex datasets.

5 horas para completar

Motivation I: Data Compression10m

Motivation II: Visualization5m

Principal Component Analysis Problem Formulation9m

Principal Component Analysis Algorithm15m

Reconstruction from Compressed Representation3m

Choosing the Number of Principal Components10m

Advice for Applying PCA12m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Principal Component Analysis30m

Semana

Semana 9

2 horas para completar

Anomaly Detection

Given a large number of data points, we may sometimes want to figure out which ones vary significantly from the average. For example, in manufacturing, we may want to detect defects or anomalies. We show how a dataset can be modeled using a Gaussian distribution, and how the model can be used for anomaly detection.

2 horas para completar

8 videos

Problem Motivation7m

Gaussian Distribution10m

Algorithm12m

Developing and Evaluating an Anomaly Detection System13m

Anomaly Detection vs. Supervised Learning7m

Choosing What Features to Use12m

Multivariate Gaussian Distribution13m

Anomaly Detection using the Multivariate Gaussian Distribution14m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Anomaly Detection30m

5 horas para completar

Recommender Systems

When you buy a product online, most websites automatically recommend other products that you may like. Recommender systems look at patterns of activities between different users and different products to produce these recommendations. In this module, we introduce recommender algorithms such as the collaborative filtering algorithm and low-rank matrix factorization.

5 horas para completar

6 videos (Total 58 minutos), 1 lectura, 2 cuestionarios

6 videos

Problem Formulation7m

Content Based Recommendations14m

Collaborative Filtering10m

Collaborative Filtering Algorithm8m

Vectorization: Low Rank Matrix Factorization8m

Implementational Detail: Mean Normalization8m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Recommender Systems30m

Semana

Semana 10

2 horas para completar

Large Scale Machine Learning

Machine learning works best when there is an abundance of data to leverage for training. In this module, we discuss how to apply the machine learning algorithms with large datasets.

2 horas para completar

6 videos

Learning With Large Datasets5m

Stochastic Gradient Descent13m

Mini-Batch Gradient Descent6m

Stochastic Gradient Descent Convergence11m

Online Learning12m

Map Reduce and Data Parallelism14m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Large Scale Machine Learning30m

Semana

Semana 11

2 horas para completar

Application Example: Photo OCR

Identifying and recognizing objects, words, and digits in an image is a challenging task. We discuss how a pipeline can be built to tackle this problem and how to analyze and improve the performance of such a system.

2 horas para completar

5 videos

Problem Description and Pipeline7m

Sliding Windows14m

Getting Lots of Data and Artificial Data16m

Ceiling Analysis: What Part of the Pipeline to Work on Next13m

Summary and Thank You4m

1 lectura

Lecture Slides10m

1 ejercicio de práctica

Application: Photo OCR30m

Reseñas

4.9

41933 reseña

5 stars

92,40 %
4 stars

6,90 %
3 stars

0,47 %
2 stars

0,08 %
1 star

0,13 %

Principales reseñas sobre APRENDIZAJE AUTOMÁTICO

por SK26 de oct. de 2017

Amazing course for people looking to understand few important aspects of machine learning in terms of linear algebra and how the algorithms work! Definitely will help me in my future modelling efforts

por CC20 de jun. de 2018

good course; just 2 suggestions: improve the skew data part (week 6) and furnish the formula to evaluate the number of iteration in the window from image dimension, window dimension and step (week 11)

por MG23 de dic. de 2020

Great course. A progressive discovery of the maths inner to the learning algorithms. This course gives that insight many ML practitioners don't have and is so important for making real use cases work.

por RD31 de mar. de 2018

Perhaps the greatest instructor and the greatest course, I enjoyed it so much I had continued to do it in between my exams and looking forward fto start or deeplearning,ai specialization in a few days

Ver todas las reseñas

Comienza a aprender hoy

Para compartir en

Puedes compartir tus Certificados de curso en la sección Certificaciones de tu perfil de LinkedIn, en tu currículum impreso o en otros documentos.

Preguntas Frecuentes

¿Cuándo podré acceder a las lecciones y tareas?
El acceso a las clases y las asignaciones depende del tipo de inscripción que tengas. Si tomas un curso en modo de oyente, verás la mayoría de los materiales del curso en forma gratuita. Para acceder a asignaciones calificadas y obtener un certificado, deberás comprar la experiencia de Certificado, ya sea durante o después de participar como oyente. Si no ves la opción de oyente:

es posible que el curso no ofrezca la opción de participar como oyente. En cambio, puedes intentar con una Prueba gratis o postularte para recibir ayuda económica.

Es posible que el curso ofrezca la opción 'Curso completo, sin certificado'. Esta opción te permite ver todos los materiales del curso, enviar las evaluaciones requeridas y obtener una calificación final. También significa que no podrás comprar una experiencia de Certificado.
¿Qué recibiré si compro el Certificado?

Cuando compras un Certificado, obtienes acceso a todos los materiales del curso, incluidas las tareas calificadas. Una vez que completes el curso, se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes participar del curso como oyente sin costo.
¿Hay ayuda económica disponible?

Sí, Coursera ofrece ayuda económica a los estudiantes que no pueden pagar la tarifa. Solicítala haciendo clic en el vínculo de Ayuda económica que está debajo del botón 'Inscribirse' a la izquierda. Se te pedirá que completes una solicitud y recibirás una notificación cuando se apruebe. Obtén más información.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.

MasterClass - Curso de Cocina

Sabores del Pacifico

* Obtén 30% de descuento en la segunda personaAntes del 8 de octubre (2 Pax)

* Si deseas participar solo en una clase tiene un valor de $200.000 (Incluye certificado)

Aprendizaje Automático

Acerca de este Curso

Habilidades que obtendrás

Instructor

Jose Uriel Gomez Instructor principal

Jaiver Muñoz Instructor principal

Organizado por

Hilton Garden Inn Bogotá Airport

Las personas interesadas en este curso también vieron

Machine Learning for All

Neural Networks and Deep Learning

Data Processing Using Python

Python Programming: A Concise Introduction

Programa - Qué aprenderás en este curso

Semana 1

Cocinaxxx Saludable

Cevichesxx y Tiraditos

Semana 2

Pasteleriaxx

Semana 3

Regularization

Semana 4

Pastelería

Semana 5

Neural Networks: Learning

Semana 6

Advice for Applying Machine Learning

Machine Learning System Design

Semana 7

Support Vector Machines

Semana 8

Unsupervised Learning

Dimensionality Reduction

Semana 9

Anomaly Detection

Recommender Systems

Semana 10

Large Scale Machine Learning

Semana 11

Application Example: Photo OCR

Reseñas

Principales reseñas sobre APRENDIZAJE AUTOMÁTICO

Comienza a aprender hoy

Ayuda económica disponible

Preguntas Frecuentes

Coursera Footer

Comienza o impulsa tu carrera profesional

Buscar temas populares

Mejora las habilidades de tu equipo

Obtén un título de grado o un certificado en línea

Coursera

Comunidad

Más

Confirmar Navegación

* Obtén 30% de descuento en la segunda persona
Antes del 8 de octubre (2 Pax)

Jose Uriel Gomez

Instructor principal

Jaiver Muñoz

Instructor principal