Computaci贸n, procesadores y memoria

1

驴Qu茅 es un byte? 驴Qu茅 es un bit?

2

C贸mo funcionan los correos electr贸nicos

3

C贸mo funcionan los circuitos electr贸nicos

4

Procesadores y arquitecturas de CPU

5

驴Qu茅 es un system on a chip?

6

Diferencia entre memoria RAM y disco duro

7

GPUs, tarjetas de video y sonido

8

Perif茅ricos y sistemas de entrada de informaci贸n

9

La evoluci贸n de la arquitectura de la computaci贸n

C贸mo funciona Internet

10

Introducci贸n a las redes y protocolos de Internet

11

Puertos y protocolos de red

12

Qu茅 es una direcci贸n IP y el protocolo de Internet

13

Cables submarinos, antenas y sat茅lites en Internet

14

Qu茅 es un dominio, DNS o Domain Name System

15

C贸mo los ISP hacen Quality of Service o QoS

16

C贸mo funciona la velocidad en internet

17

Qu茅 es el Modelo Cliente/Servidor

18

C贸mo funciona un sitio web

19

Internet es m谩s grande de lo que crees

Sistemas operativos

20

Diferencias entre Windows, Linux, Mac, iOS y Android

21

Permisos, niveles de procesos y privilegios de ejecuci贸n

22

Fundamentos de sistemas operativos m贸viles

23

Sistemas operativos embebidos e Internet of Things

Archivos y estructuras de datos

24

Metadatos, cabeceras y extensiones de archivos

25

C贸mo funciona el formato JPG

26

Videos, contenedores, codecs y protocolos

27

C贸mo funciona .zip: 脕rboles binarios

Contenido Bonus

28

Qu茅 es una red neuronal

29

驴Qu茅 es SQL y NoSQL?

30

Qu茅 es un algoritmo

31

El poder de un Raspberry Pi

32

Principios de la ingenier铆a de software sostenible

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Qu茅 es una red neuronal

28/32
Recursos

Aportes 353

Preguntas 26

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

Para los que quieren introducirse a este mundo o recien estan comenzando esta explicacion tiene varios errores:
Primero el decir que las redes neuronales no realizan operaciones matematicas,regresiones,etc,es todo lo contrario, una NN esta basada en multiplicar nuestros inputs por los pesos y luego a eso aplicar una funcion de activacion la cual puede ser una regresion lineal o una funcion sigmoide lo cual vendria a ser una regresion logistica, en realidad hay muchas funciones de activacion dependiendo del problema.
Segundo, los pesos no se eligen por la importancia de tus datos, se inician de forma aleatoria o usando metodos estadisticos, los pesos son el corazon de tu modelo de ML, y el que tiene que configurarlos no eres tu, es el algoritmo.
Tercero, no se asusten con la funcion sigmoide o con las demas funciones, parece lo mas dificil pero en realidad es lo mas facil xd, es teoria de precalculo que la pueden aprender en un dia.Lo mas dificil que veran en mi opinion seran los metodos de optimizacion, lo cual no se explica en el video, pero que es vital para acelerar el aprendizaje de la NN e involucra conocimientos en algebra lineal,calculo diferencial y calculo multivariable.

No es algo ut贸pico de entender, yo lo veia muy complicado al inicio e incluso imposible pero sepan que no es asi, al fin de cuentas todo se reduce en sumas y restas al momento de ejecutar codigo.Solo tienen que pensar que es algo que les va a costar, pero que es posible de lograr con mucho esfuerzo y vale la pena.

Tom茅 este enlace de un comentario de abajo
Es una IA de Google que te adivina tus dibujos:
LINK :
https://quickdraw.withgoogle.com/?locale=es#

驴Quieres hacer que Freddy se convierta en un borracho hippie?
Solo coloca la velocidad de reproducci贸n en 0.5.

Para los que les interesa mucho la IA, en youtube hay una canal llamado DOT CSV dedicado a este tema.

En la universidad, tuve la materia de Procesos Estoc谩sticos, en la que me ense帽aron las Cadenas de Markov, un tema muy interesante donde luego desarrolle como proyecto una aplicaci贸n tal que prediciera la calidad del aire de una regi贸n en Naucalpan(M茅xico), rellene mis matrices con datos hist贸ricos tomados de unas antenas que miden la calidad del aire y con un proceso markoviano de decisi贸n modele mi sistema y ahora es impresionante saber que cosas como el autocorrector de Google tiene detr谩s algoritmos que usan Cadenas de Markov.

Si aun les cuesta entender esto que nos explico Freddy les dejo es link donde lo explican desde otro punto de vista.

Espero les sirva.

Tengo un aporte para dejar mas clara esta clase, si quieres debatir estoy abierto a debates:

APORTE

鈥> Primero que nada hay que entender que existen muchos tipos de redes neuronales artificiales, sus tipos generalmente se basan en un uso particular, en este ejemplo explicare una red neuronal para la comparacion de patrones.

Red neuronal artificial: estan basadas en como funcionan las neuronas del cerebro, se crean apartir de los elementos que se le establecen para su distinto caso de estudio, su funcion es separar elementos en categorias cuando los elementos no son muy claros de entender de forma no lineal.

鈥> Entonces tenemos que una red neuronal es un sistema que se basa para estudiar un caso deacuerdo a su categoria de red neuronal creada. Entonces haremos una red neuronal de comparacion para ello lo que necesitamos es:

1. Establecer los parametros: De lo que vamos a comprar. Ahora cuales son esos parametros? Pues pueden ser las variables que tenemos como por ejemplo, una manzana, los parametros pueden ser:

	* Color
	* Sabor
	* Textura
	* Tama帽o
	* Forma

2. Entrenamiento: Pasamos a indicarle a una red neuronal, que seria una manzana y que no es una manzana, para esto tenemos que colocar distintos casos, donde rigidamente establecemos cuales si son los parametros que conforman a una manzana, y cuales no son, estos casos los tenemos que hacer de forma aleatoria desde los que mas se parecen hasta los que no se parecen, de esta forma, lo estaremos ayudando para que en su fase de entrenamiento tenga

3. Resultado: Luego de pasar por un entrenamiento donde ya sabe el caso que va a estudiar, hacemos la muestra de campo en este caso mostramos una manzana y una pera y la neurona o puede decir cual es o cual no es la manzana o se帽alarlo, esto depende de como este todo configurado.

Este video te podr铆a interesar鈥 Un poco mas sobre inteligencia artificial.
https://www.youtube.com/watch?v=JkMsX50jaVM

Si les apasiona el mundo de la A.I. como a m铆, es obligatorio ver la trilog铆a de redes neuronales de DOT CSV. Que sin desmerecer la clase de Freddy, pero explica de forma m谩s completa a quienes quieran profundizar en el tema.

https://www.youtube.com/watch?v=MRIv2IwFTPg&ab_channel=DotCSV

https://www.youtube.com/watch?v=uwbHOpp9xkc&t=1s&ab_channel=DotCSV

https://www.youtube.com/watch?v=eNIqz_noix8&t=1s&ab_channel=DotCSV

esto de google es buenisimo, una ia que adivina tu dibujo. https://quickdraw.withgoogle.com/?locale=es

algo que me vol贸 la cabeza es esta p谩gina que, mediante el uso de Inteligencia Artificail, crea caras que NO EXISTEN!!
https://thispersondoesnotexist.com/

me encontr茅 este esquema de lo que nos explic贸 Freddy
3 tipos de redes neuronales que usa la IA 馃憞馃徏

Espectacular!!!

Freddy definitivamente es elmejor profesor de platzi, lastimosmente solo he visto 30 cursos y me falta mucho data para poder afirmmar esto con seguridad, pero de todos los profesores que he tenido, Freddy te engancha hablando, tiene un muy buen manejo de p煤blico, te desafia mientras te ense帽a, y se nota el gran conocimiento que maneja porque realmente sabe demasiado.
Con este curso aprendi que la tecnolog铆a no es tan dificil como parece en un principio.

驴Por qu茅 en los archivos y enlaces hay una foto de la bandera de la Uni贸n Europea? jajaja

ya termin茅 el curso de fundamentos de ingenieria de software, y no veo m谩s informaci贸n ni m谩s clases sobre redes neuronales, adem谩s de 茅sta clase鈥

Qu茅 es una red neuronal

Las redes neuronales funcionan exactamente igual c贸mo funcionan las neuronas en nuestro cerebro, a nivel conceptual el cerebro humano tiene alrededor de 100 mil millones de neuronas que ser铆an las bolitas verdes. Las neuronas tienen conexiones y reciben se帽ales el茅ctricas y con las se帽ales deciden qu茅 hacer si dispara m谩s fuerte o lento. La combinaci贸n de todas estas son las que crean el conocimiento. Nosotros recibimos inputs (sentidos: gusto olfato, etc.). Los inputs son datos que pasamos por memoria RAM a un algoritmo. Le damos una serie de datos a la red neuronal y la entrenan (con estos datos este es el resultado).
Un ejemplo de red neuronal es una estudiante que tiene que estudiar para un examen. El estudiante empieza a notar los datos y nota que en el d铆a que ten铆a el examen estudi贸 4 horas y durmi贸 6 y ese fue el resultado del examen. Otro d铆a estudio 2 horas y durmi贸 8 y se da otro resultado.

Funci贸n sigmoide: si le pasamos 5, 50=0, 50.1=0.5. Va de todos los n煤meros del 0 al 5 para que las neuronas tengan muchas opciones y diferentes lugares activa diferentes puntos del sigmoide. De esa manera las neuronas prueban cada uno de los datos y lo comparan con su base de datos de entrenamiento para ver que tanto se parecen. Las neuronas que funcionaron sirven para aprendizaje.

Cadenas de Marcov: as铆 es c贸mo funciona el auto predicci贸n del teclado. Si una persona m煤ltiples veces ha hecho esto, lo m谩s probable es que lo vuelva a hacer. Si solemos escribir 鈥淗ola amigo鈥 al escribir 鈥淗ola鈥, el teclado nos va a sugerir 鈥渁migo鈥.

Los autos que se conducen solos son una combinaci贸n de algoritmos de inteligencia artificial con algoritmos que no tiene que ver con inteligencia artificial. Como para un sem谩foro usan una c谩mara con un filtro que resalta los colores brillantes, rojo, verde, amarillo y buscan en la imagen un patr贸n de cajita donde haya c铆rculos de sus colores muy brillantes.

Para el que quiera profundizar en temas de inteligencia artificial, ac谩 les dejo un curso del MIT que est谩 muy bueno. Para los que entiendan ingl茅s, las explicaciones son bastante claras y las pr谩cticas tambi茅n est谩n por ah铆 grabadas.

https://www.youtube.com/playlist?list=PLUl4u3cNGP63gFHB6xb-kVBiQHYe_4hSi

Acabe el curso de Fundamentos de ingeniera de software en el #platziday y la verdad fue el mejor uso de mi tiempo.

Un buen video a continuacion, que explican de una manera mas practica el tema de la IA, y por ejem mencionan al fonal del v铆deo que la funci贸n Sigmoide es reemplazada actualmente por una funcion RELU, algo mas 鈥渇谩cil鈥 de usar.

https://www.youtube.com/watch?v=aircAruvnKk

Al ver esta clase me doy cuenta de lo complejos que somos los seres humanos y de la gigantesca capacidad de procesamiento que tenemos en nuestra cabezota. Creo que nosotros somos m谩quinas biol贸gicas, tenemos perif茅ricos de entrada y de salida, tenemos sentidos para recibir la informaci贸n de nuestro mundo y sentidos para dar un resultado. Creo que las redes neuronales son un pilar muy importante para desarrollar inteligencia artificial. Vamos por buen camino.

REDES NEURONALES
.
Son la base de la IT. Este concepto de las redes neuronales se basa en el concepto de como funcionan las redes neuronales humanas.
.
El cerebro humano tiene alrededor de 100.000.000.000 de neuronas. Las neuronas funcionan por medio de conexiones sinapsis, la neurona recibe una se帽al el茅ctrica con la cual realiza una decisi贸n. Una combinaci贸n de todas estas crean el conocimiento. En la computaci贸n los Inputs son datos que recibe un algoritmo por medio de la memoria RAM.
.
Las redes neuronales se entrenan con una determinada serie de datos.
.
Las redes neuronales no realizan operaciones matem谩ticas de la manera natural.
.
Las redes neuronales iteran los datos entre 2 rangos num茅ricos definidos con diferentes funciones. Luego el resulto se compara con el resultado original sino vuelve a intentar lo m煤ltiples veces en paralelo.
.
Los datos se ingresan y un peque帽a funci贸n se encarga de cambiarlos de m煤ltiples maneras. Las neuronas que no funcionan se apagan y las neuronas que funcionan se prenden estas tienen mas rango de bias 鈥渟esgo鈥.
.
Las redes neuronales expresadas matematicamente . Se toman las datos variables de datos y se suman y se multiplican por el peso de los datos y luego se pasan por una funci贸n de activaci贸n.
.
funciones de activaci贸n
.

  • Funci贸n de pasos.
  • Funci贸n de signos.
  • Funci贸n sigmoide.
    .

Existen m煤ltiples tipos de redes neuronales
.

  • Redes recurrentes.
  • Redes sim茅tricas.
  • Neurona 煤nica.
    .

La red neuronal mas comun es Feed-forward network.
.
Las redes neuronales pueden aprender de los errores y corregirlos back propagation. Esto se consigue con los datos de prueba. Multiplicando los n煤meros en un difrente nodo de la sigmoide.

Las redes neuronales son la base de la inteligencia artificial, una neuro tiene diferentes conexiones y esto se llama sinapsis, y lo que hace la inteligencia artificial es emular la sinanpsis del cerebro humano.

Gracias, realmente aprend铆 much铆simo acerca de el mundo de la tech con este curso. Simplemente gracias!

Red neuronal
evaluaci贸n de datos que se integran a un modelo matem谩tico y que se representar铆a la forma en que se influencia la toma de decisiones y como afecta a los resultados.

genial el proceso para entender y la aplicaci贸n impresionante

En en minuto 3:00 dice que a los inputs de una IA, se cargan en memoria RAM, por que en memoria RAM y no por ejemplo en la memoria de disco duro o solido en consecuencia? por que en esa memoria precisamente. Si alguien me puede ayudar estaria agradecido!

驴Has mencionado al inicio 鈥渁lgoritmos valencianos鈥? no pude encontrar nada sobre ese t茅rmino en google, lo que s铆 encontr茅 fueron las cadenas de Marcov.

Las redes neuronales artificiales son un modelo computacional vagamente inspirado en el comportamiento observado en su hom贸logo biol贸gico鈥. Consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre s铆 para transmitirse se帽ales.

El cerebro humano tiene cerca de 100 mil millones de neuronas, las neuronas tienen conexiones y reciben una se帽al el茅ctrica y con esa se帽al deciden que hacer y una combinaci贸n de estas es lo que crea el conocimiento. Nosotros recibimos inputs (nuestros sentidos), en las m谩quinas los inputs son los datos que pasamos por memoria RAM a un algoritmo. Se le da una serie de datos a la red neuronal y se entrena para darnos una aproximaci贸n del resultado a partir de 2 datos.

Freddy, te felicito. Esta clase despert贸 mi curiosidad hacia el 鈥淢achine Learning鈥. Agradezco el compromiso por parte del Team Platzi para crear esta lecci贸n.

Redes neuronales
Input Nodes, Hidden Nodes, Output Node
Se entrenan para reconocer patrones, puede generar una aproximaci贸n de un resultado que se puede obtener
Una red le asigna un peso a los datos y los pasan por una funci贸n de activaci贸n
y las comparan con los datos de entrenamiento
cadenas de marcob para texto predictivo recuerda lo que haz escrito muchas veces
procesamiento paralelo

Hola!
Les comparte el link de la tabla Qu茅 son redes neuronales y sus tipos
https://towardsdatascience.com/the-mostly-complete-chart-of-neural-networks-explained-3fb6f2367464

Slds,

https://www.youtube.com/channel/UCy5znSnfMsDwaLlROnZ7Qbg este canal de youtube me motivo a querer aprender todo lo que mas pudiese sobre IA, asi llegue a platzi, lo dejo para que se enamoren 馃槂

De repaso para Freddy XD

Estoy muy feliz de que me digan que es dif铆cil, toda mi vida me han dicho eso, y para mi afortunadamente no me parece as铆, y cuando he logrado cosas las personas me miran diferente, lo que me gustar铆a decirte 鈥渃ompa帽ere鈥 jaja, es que tu puedes lograr todo lo que te propongas.

Te comparto una frase de las que colecciono:

芦Hay dos tipos de personas que te dir谩n que no puedes hacer algo: las que tienen miedo de intentarlo y las que tienen miedo de que tengas 茅xito禄. 鈥 Ray Goforth.

Demasiado interesante, me permito compartirles este video de Veritasium, donde explica a m谩s detalle c贸mo fueron entrenadas las primeras inteligencias artificiales.

  • Recuerden. El 2020 ser谩 un a帽o muy demandante en Inteligencia Artificial

Para aligerar la carga computacional que se usa en el procesamiento de im谩genes al reconocer el marco del sem谩foro, llantas, autos, etc. Se usa detecci贸n de bordes, se emplea para simplificar el an谩lisis de im谩genes, realizando una reducci贸n dr谩stica de la cantidad de datos a ser procesados, mientras que al mismo tiempo preservan la informaci贸n estructural alrededor de
los l铆mites del objeto. La caracter铆stica com煤n a todos los filtros de detecci贸n de bordes es la combinaci贸n de pesos positivos con negativos, que no son m谩s que la forma discreta de las derivadas (gradientes) espaciales de la imagen. Los m谩s comunes son:
-Filtros de Prewitt.
-Filtros de Sobel.
-Detector de bordes de Canny.

Qu茅 visionario este intro que hace Freddy sobre Red Neuronal鈥 Este mes Elon Musk con su Neuralink est谩 haciendo cosas impresionantes: Un monkey jugando ping-pong usando su mente.

Link: https://t.co/Tv0vystoEW?amp=1
Title: Monkey MindPong

Soy ingeniero electronico, he dise帽ado sistemas de control con redes neuronales (en la universidad) Y NUNCA HABIA ENTENDIDO LA FUNCION DE ACTIVACION SIGMOIDE ajajajajjajajajajajaj gracias!

El gusto, fue ignorado, feliz dia del arbol sentido del gusto, espero puedas sobrevivir sin ser nombrado, jaja

驴Podemos decir entonces que un ejemplo Cadena de Markoff es el autocorrector de whatsapp?

Que cuestion tan brutal asi por encima esta la clase, tenia cierta curiosidad por saber algo mas especifico asi fuera muy poc, gracis freddy brutal.

Me parece SUPER interesante esto de redes neuronales, veamos que me depara el futuro despues de los cursos de programacion y tantas cosas maravillosas que quiero aprender aqui en Platzi.

Acabo de terminar este curso: Fundamentos de Ingenier铆a de Software

y en serio se aprende mucho en cada lecci贸n

Cuanto gana un ingeniero que trabaja con inteligencia artificial?

Incre铆ble lo amplio que es el universo de la inform谩tica

Yo entiendo de matem谩ticas y c谩lculo, pero esto :鈥'v help

hipergrafos鈥 neuronas鈥 cuanta similitud entre nosotros las maquinas y el universo entero, que gran curso

Hola bebe XD

Me alegra que tocara este tema, excelente introducci贸n a la IA. M谩s ahora que en pocos a帽os que se hizo el video, tenemos a ChatGPT y otras muy poderosas.

Talvez como sugerencia es dar una peque帽a introductorio a otros algoritmos que podr铆an hacer un mejor entendimiento, como por ejemplo como funciona un sistema experto

LAS NEURONAS LAS CAGAN!!

Las redes neuronales son complicadas de entenderlo. Pero enormemente utiles. En los proximos 5 meses espero dominar este tema

Si quieren saber m谩s del tema les recomiendo este video del canal RingaTech.
Link al video

con esta instrucci贸n me dieron ganas de tomar la ruta de deep learning con python 馃馃摕 mi especialidad es el hardware, pero creo que a帽adiendo modelos de IA a mis firmware las posibilidades de mejora ser谩n brutales 馃敟

Esto me recuerda cuando me recomendaron jugar Dark Souls鈥 Sol贸 dir茅 que s铆, vali贸 la pena!

Entender no es crear. Aquella frase famosa lo que dice en realidad es que nadie puede crear un computador por si solo. Entender como funciona una pantalla, un procesador, un teclado o un software no significa que seas capaz de construirlo

Me encanto y si entendi como toman desiciones las GPU o IA

Muchas gracias por los conocimientos que comparten, es genial que expliquen de donde vienen las cosas. Excelente trabajo.

vaya!!

Qu茅 linea de cursos debo seguir para aprender en Platzi IA??

Aaaahhh, hay cosas que si entend铆

Hay que tener en cuenta que aqu铆 en redes neuronales no se usa RAM se usan Tensores en paralelo eso es el poder c贸mputo, que tiene sus costos, en google, aws o Microsoft es gratis por unas pocas fotos, en producci贸n hay que tener recursos econ贸micos hay que utilizar GPU, TPU que son aceleradores de hardware
En machine learning b谩sico usas RAM y procesamiento en la nube y pagas por el en producci贸n

Una neurona que utiliza la sigmoide como funci贸n de activaci贸n se llama neurona sigmoide. 鈥 La podemos ver si trazamos el valor de 蟽(z) como funci贸n de la entrada z . Funci贸n de activaci贸n sigmoide. Podemos ver que 蟽(z) act煤a como una especie de funci贸n 鈥渁plastadora鈥, comprimiendo nuestra salida a un rango de 0 a 1.

Me emputa no poder aumentar la velocidad de reproducci贸n de los v铆deos insertados de youtube鈥 como este鈥 1.5x 2.0x

No me queda clara la diferencia entre una red neuronal y un mont贸n de condicionales. Por ejemplo en el ajedrez un software eval煤a todas las posiciones de millones en su base de datos y es capaz de aprender cuando es derrotado. Con una red neuronal es lo mismo? ser capaz de aprender. identificar posiciones ganadoras. guarda millones de posiciones? o desarrolla conceptos de juego?.

Entonces con el video de la c谩mara tambi茅n puede procesar los inputs (datos) de:
Velocidad (no s茅 si es con una c谩mara especial o con el movimiento de un obajeto hasta otro punto y su tiempo)?
Tama帽o (ser铆a d谩ndole una referencia o ya lo sabe por si mismo)?
Temperatura (esto ser铆a con una c谩mara t茅rmica no?)
Distacia ``profundidad麓麓(ni idea de como puede obtener este dato con un video)
Y con todos estos datos etc, la respuesta debe ser muy r谩pida no? Ya que con el tiempo esos datos pueden cambiar, hasta predecirlos en el tiempo no? Y as铆 en vez de recibir inputs los estar铆a prediciendo y confirm谩ndolos con los inputs que entran.
Jajajaja me he enrollado, espero que entendais las preguntas
Un Saludo =)

Se me explot贸 el cerebro pero doy gracias a que en la universidad mis profesores me ense帽aron matem谩ticas logr茅 entender

Incre铆ble el m茅todo de aprendizaje de Freddy, lo complicado lo hace sonar menos complejo, obviamente para poder comprenderlo a su totalidad esta la escuela de inteligencia artificial y machine learning.

Un poco compleja esta clase, pero realmente interesante.

Gracias Freddy Vega por compartir tu conocimiento

Platzi = a una capacitaci贸n inicial e intermedia para poder conocer m谩s sobre Internet of Things

鈥淪e me olvid贸 uno鈥 kasjdkajsdkasjdkad

Interesante, es lo que buscaba

wow por poco me estalla el cerebro鈥 馃槃

Hola bb
-Andr茅i M谩rkov

entender esto es un reto 鈥

algo como transformer鈥 jajaja

Inspira a aprender mas鈥 gracias platzi

7:29
Lo mejor del video xdxd

Hola 鈥渂ebe鈥 鉂わ笍

jajaja, sos un capo ense帽ando 鈥

Apasionante el mundo de la Inteligencia Artificial.

exploto mi cerebro

Estall贸 mi cerebro.

Demasiada informaci贸n, clase de gran contenido!

min 7:31 necesitaba que me calmara鈥 jajaja lo ame! excelente maestro!

Por que en archivos y enlaces hay una bandera de la EU? fue hecha con AI o algo asi?

Eso parece analisis factorial confirmatorio en AMOS

Eso explica c贸mo funciona la b煤squeda por im谩genes de Google y otras como Pinterest

genial

Excelente curso de fundamentos!

c贸mo puedo seleccionar dentro de platzi este video como preferido y volver a 茅l cada semana?

Yo admiro de verdad a la gente que hace machine learning. Gran v铆deo entend铆 poco pero fue genial.