Platzi
Platzi

LA EDUCACI脫N ES UN REGALO 隆ACCEDE AL PRECIO ESPECIAL!

Antes: $249
$149
Currency
Antes: $249
Ahorras: $100
COMIENZA AHORA
Termina en: 17D : 5H : 35M : 30S

Fundamentos pr谩cticos

1

Aplica Platzidoro en este curso y asegura el 茅xito de tu aprendizaje

2

Los fundamentos de machine learning que aprender谩s

3

Introducci贸n a Numpy

4

Introducci贸n y manipulaci贸n de datos con Pandas

5

Introducci贸n a ScikitLearn

6

Comandos b谩sicos de las librer铆as usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresi贸n Lineal y Log铆stica

7

驴Qu茅 es la predicci贸n de datos?

8

Sobreajuste y subajuste en los datos

9

Regresi贸n lineal simple y regresi贸n lineal m煤ltiple

10

Regresi贸n lineal simple con Scikit-Learn: divisi贸n de los datos

11

Regresi贸n lineal simple con Scikit-Learn: creaci贸n del modelo

12

Regresi贸n log铆stica con Scikit-Learn: definici贸n y divisi贸n de datos

13

Regresi贸n log铆stica con Scikit-Learn: evaluaci贸n del modelo

14

Matriz de confusi贸n

15

PlatziDoro C谩psula 1

脕rboles de decisi贸n

16

驴Qu茅 es un 谩rbol de decisi贸n y c贸mo se divide?

17

Comprendiendo nuestro data set para la creaci贸n de un 谩rbol de decisi贸n

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificaci贸n

20

Visualizaci贸n del 谩rbol de decisi贸n

K-Means

21

驴Qu茅 es K-Means?

22

Cargando el data set de Iris

23

Construcci贸n y evaluaci贸n del modelo con K-Means

24

Graficaci贸n del modelo

25

PlatziDoro C谩psula 2

Aprendizaje profundo

26

Introducci贸n al aprendizaje profundo

27

Conceptos b谩sicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creaci贸n de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluaci贸n de la red convolucional

32

PlatziDoro C谩psula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

Los fundamentos de machine learning que aprender谩s

2/34
Recursos
Transcripci贸n

Aportes 60

Preguntas 3

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

Machine Learning
Capacidad de un algoritmo de adquirir conocimiento a partir de los datos recolectados para mejorar, describir y predecir resultados

Estrategias de Aprendizaje:

  • Aprendizaje Supervisado: Permite al algoritmo aprender a partir de datos previamente etiquetados.
  • Aprendizaje no Supervisado: El algoritmo aprende de datos sin etiquetas, es decir encuentra similitudes y relaciones, agrupando y clasificando los datos.
  • Aprendizaje Profundo (Deep Learning): Est谩 basado en redes Neuronales

Importancia del ML
Permite a los algoritmos aprender a partir de datos hist贸ricos recolectados por las empresas permitiendo as铆 tomar mejores decisiones.

Pasos a Seguir para Desarrollar un modelo en ML

  • Definici贸n del Problema: Es necesario definir previamente el problema que va a resolver nuestro algoritmo
  • Construcci贸n de un modelo y Evaluaci贸n: Una vez definido el problema procedemos a tratar los datos y a entrenar nuestro modelo que debe tener una evaluaci贸n cercana al 100%
  • Deploy y mejoras: El algoritmo es llevado a producci贸n (aplicaci贸n o entorno para el que fue creado), en este entorno podemos realizar las mejoras pertinentes de acuerdo al comportamiento con los usuario e incluso aprovechando los datos generados en esta interacci贸n

Tengo demasiadas expectativas de este curso 馃槃

Que tal compa帽eros!!!
Vengo a hacer un poco de spam, pero del bueno eh!. Soy Graduado XD de la carrera de Inteligencia artificial
y Machine learning
, y quiero mostrarles este proyecto personal que desarroll茅 :
.
https://motoclassifier.herokuapp.com/


.
Es una app muy sencilla pero hermosa (para m铆) de Aprendizaje supervisado que clasifica imagenes de motocicletas en 1 de 10 categorias disponibles. Esta a煤n sigue en desarrollo ya que solo se ha conseguido un 60% de accuracy.

.
Lo genial? Todo, desde la creacion del dataset, el dise帽o de la red, la implementacion, el entrenamiento y hasta el deploy fue 鈥渕ade by myself鈥 gracias a cursos de Platzi.
.
! Se que este es un curso de scikitlearn y esta app fue echa en torch pero Mas que presunci贸n me gustar铆a que esto se tomara como un ejemplo de que si se puede y que Platzi funciona!!
.
Si les gusta el proyecto o quieren hacer sus propios desarollos sobre este siganlo en GitHub
Ademas que con el desarrollo de la app se lograron crear dos tutoriales:

Saludos!

  • Aprendizaje supervisado: hace uso un informaci贸n de entrada y de sus etiquetas correspondientes para cada conjunto de informaci贸n.
  • Aprendizaje no supervisado: Solo tiene acceso a informaci贸n, no se asocia una etiqueta. el algoritmo aprende haciendo asociaci贸n de los datos de entrada.
  • Aprendizaje profundo: Se basa en redes neuronales.

Hola a todos!! Les recomiendo leer este libro para saber qu茅 hay detras de cada algoritmo de ML visto en este curso, ya que el contenido de platzi est谩 m谩s enfocado en la parte pr谩ctica.

Es muy importante entender los fundamentos de ML, y es verdad que en 5 lineas de codigo podemos cargar datos, entrenar y predecir, pero tambi茅n es necesario conocer la teor铆a detr谩s de los m茅todos implementados en python:

Python Machine Learning - Sebastian Raschka.

Vengo del futuro y les comento que en este curso se da por hecho que conocemos varios conceptos que a煤n no nos han explicado correctamente hasta este punto (funcionamiento de Pandas y Scikit-learn, implementaci贸n de algoritmos en Scikit-learn, etc).

Lo importante: esos conceptos los explican en un curso posterior en la ruta de aprendizaje (que les recomiendo que vean antes que este)

El curso en el que est谩n ahora es muy bueno pero la profesora va muy r谩pido y no profundiza en detalles que son importantes para entender del todo lo que est谩n haciendo con c贸digo a cada paso que dan 馃槃. 隆Nunca paren de aprender!

Excelente introducci贸n, queda claro el concepto de machine learning

Arriba la Universidad Veracruzana !!!

Me encanta ML con R, espero este sea un buen inicio con python, para mi!


Dejo mi humilde aporte con mis notas y archivos del curso en github y mi twitter para seguir en contacto @rusbelbermudez
https://github.com/rb-one/curso-practico-machine-learning/blob/master/Notes/Notes.md

Que empiece esto ! 馃槃

Wow. Justo estoy haciendo tu curso de php. (En edteam). Me sorprendi贸 verte aqu铆.

Este curso sera el empuje personal para adentrarme al mundo de Machine Learning. Motivaci贸n al 100% 馃槑

a por ello !

Un curso muy interesate que espero aprender mucho

Es un gran curso!

yo tengo una re buena idea, con una frase activar la c谩mara, y luego el mouse sea la mano que tengo levantada.
es muy dif铆cil???

Se ve genial el curso

me parece haberte visto en algun lugar 馃槃 pero no dire donde XD

Hoy inicio este curso, espero asimilar todo el contenido y luego poder aplicar lo aprendido en la empresa donde presto mis servicios profesionales.

Wow, me quiero dedicar al 100% en esto. Es increible.

Estoy llevando una maestria en ing de software y me toco el curos inteligencia artificial pero estoy perdido pero con este curso estoy aprendiendo los conceptos de una forma mas sencilla.

No se imaginan el gusto que me da ver a una paisana de M茅xico dando un curso tan avanzado e interesante como este.

Me emociona mucho saber que los mexicanos (y todos los latinoamericanos, por supuesto) podemos hacer esto y mucho m谩s.

Lo 煤nico es dedicarse y poner manos a la obra

Tenemos que entender muy bien, el motivo de generar Machine Learning, debido a que de esa forma, podemos entender c贸mo debemos entrenarlo.

El machine learning no necesariamente son redes neuronales, pero podr铆amos decir que son necesarias para el deep learning.

El aprendizaje no supervisado, es cuando nuestro algoritmo diferencia con mayor capacidad, sin que las im谩genes est茅n previamente etiquetadas.

Nuestro conjunto de datos o data set, tiene que estar previamente etiquetados. Para una diferenciaci贸n exacta.

El Machine Learning, es una categor铆a de la inteligencia artificial.

Tenemos el aprendizaje supervisado y no supervisado. Que le damos a un algoritmo para proveerlo de un aprendizaje, con el que aprende a observar datos para mejorar, describir y predecir resultados.

Machine Learning (Aprendizaje autom谩tico) es la capacidade que se le da a un algoritmo de aprender e inferir, en base a informaci贸n hist贸rica (Algoritmos supervisados) o sin informaci贸n previa (Algoritmos no supervisados).

excelente inicio, muchas expectativas dada la presentacion y experiencia de la profe. motivante

mi profe favorita 鉂わ笍

Que buenos ejemplos! 馃槂

Que buen curso, en definitiva est谩 en mi lista 馃槃

Que buena encontrarla por aqu铆 Doc. Estoy animado haciendo este curso 馃槂

Se nota que ser谩 un gran curso, buenas espectativas, me atrap贸. A aprender!!!

Que buena intro!! Muy ilustrativos los ejemplos, mil gracias

se ve muy interesante el curso!

Buen video de inicio!, maravilloso

vine de una clase publica en youtube 馃槃

Primer acercamiento a conocer de ML, estoy emocionado!!

Para reforzar un poco m谩s los apuntes les recomienda esta p谩gina.

Apuntes sobre los ejemplos:

Aprendizaje supervisado es cuando los humanos aprendemos con datos a los que se les asigna un valor. De ni帽os nos dec铆an 鈥渆sto es un perro, esto es un gato鈥. (Nuestros padres nos daban informaci贸n y nosotros hac铆amos el trabajo de un algoritmo de ML).

Si no identific谩bamos correctamente la relaci贸n, nuestros padres nos correg铆an y nos recordaban las caracter铆sticas que identificaban a cada uno, de modo que pudi茅ramos asignarles una etiqueta correctamente.

Aprendizaje no supervisado. Por ejemplo, pruebas br贸coli y no te gusta, pruebas apio y tampoco, entonces la experiencia te hace crear una categor铆a 鈥渢odas las verduras de color verde no te van a gustar鈥. Para que cuando llegue un nuevo conjunto de datos que va a tener que aprender y asignarle algo, ya tiene un conocimiento previo.

me parece interesante la manera en que plantean el Machine Learnig y las formas en que los dividen. Es un sistema de algoritmos que permiten que un sistema coja informaci贸n y aprenda de esa informaci贸n. Se plantean en 2 maneras el supervisado en el que al sistema se le suministra informaci贸n ya identificada como en el ejemplo de que los padres se帽alan a los perros y los gatos con sus debidas caracter铆sticas y el m茅todo no supervisado donde se le entrega informaci贸n no identificada y el algoritmo aprende desde ese informaci贸n como el ejemplo de los vegetales verdes en el que es una etiqueta como la del desgrado al sabor el que identifica la informaci贸n. Tambi茅n esta el concepto de deep learning quesi espero que lo profundicen mas, y los ejemplos de donde se esta usando el machine learnig como en Uber para calcular rutas mas efectivas.

Se ve muy interesante el curso

Los algoritmos de Deep Learning para Face App y sus fotos de cambio de g茅nero jajaja

Muy buena introducci贸n.

Me gusta la sencillez con la que explica. Se ve muy prometedor este curso.

Hay algo de los cursos que no termino de entender:
Existe alg煤n m茅todo en donde se persista el modelo entrenado?
O le tengo que pasar la data de entrenamiento cada vez que se levanta el programa?

Acabo de leer los t铆tulos de los v铆deos, y estoy bastante emocionado por hacer este curso!

<h3>Aprendizaje supervisado:</h3>

En aprendizaje autom谩tico y miner铆a de datos, el aprendizaje supervisado es una t茅cnica para deducir una funci贸n a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos: una componente del par son los datos de entrada y el otro, los resultados deseados.

<h3>Aprendizaje no supervisado:</h3>

Aprendizaje no supervisado es un m茅todo de Aprendizaje Autom谩tico donde un modelo se ajusta a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado.

La importancia es que con forme se tiene un modelo de aprendizaje y un conjunto de datos con caracter铆sticas iguales o similares te permita hacer una clasificaci贸n, predicci贸n, etc.

Les recomiendo que revisen el material de este libro que se que los ayudara en su proceso de aprendizaje: Python Data Science Handbook

Muchos 茅xitos y disfruten el curso de la incre铆ble profe Yesi 馃槃

**Machine Learning: **
Es la capacidad de un algoritmo para optimizar, describir y predecir resultados, a partir del aprendizaje basado en observaciones y datos.

Categor铆as:
Aprendizaje supervisado: Permite que el algoritmo utilice, una serie de datos etiquetados que son prove铆dos por seres humanos.

Aprendizaje no supervisado: Los datos que utiliza el algoritmo, no se encuentran etiquetados, por lo que tendr谩 que aprender a clasificarlos a partir del aumento del conocimiento de su entorno.

El Deep Learning: Se basa en la utilizaci贸n de redes neuronales.

Proceso del machine Learning:
Definir el problema: Establecer la definici贸n de las preguntas de investigaci贸n, de lo que quieres resolver.

Modelado: Se hace un entrenamiento previo, una clasificaci贸n y la selecci贸n de los datos que ser谩n utilizados para el aprendizaje y los que ser谩n utilizados para realizar la evaluaci贸n, que deber谩 estar cercana, pero no ser igual, al 100%.

Deploy y mejoras: La utilizaci贸n(puesta en producci贸n) del algoritmo, para ser utilizado en la vida real. Puede ser en el 谩mbito empresarial, educacional o cient铆fico.

Machine Learning:
Es la capacidad de un algoritmo para optimizar, describir y predecir resultados, a partir del aprendizaje basado en observaciones y datos.

Categor铆as
Aprendizaje supervisado: Permite que el algoritmo utilice, una serie de datos etiquetados que son prove铆dos por seres humanos.

Aprendizaje no supervisado: Los datos que utiliza el algoritmo, no se encuentran etiquetados, por lo que tendr谩 que aprender a clasificarlos a partir del aumento del conocimiento de su entorno.

El Deep Learning: Se basa en la utilizaci贸n de redes neuronales.

Proceso del machine Learning
Definir el problema: Establecer la definici贸n de las preguntas de investigaci贸n, de lo que quieres resolver.
Modelado: Se hace un entrenamiento previo, una clasificaci贸n y la selecci贸n de los datos que ser谩n utilizados para el aprendizaje y los que ser谩n utilizados para realizar la evaluaci贸n, que deber谩 estar cercana, pero no ser igual, al 100%.
Deploy y mejoras: La utilizaci贸n(puesta en producci贸n) del algoritmo, para ser utilizado en la vida real. Puede ser en el 谩mbito empresarial, educacional o cient铆fico.

Hola Compa帽eros!
En mis estudios de DataScience en Platzi Master, venido desarrollando un proyecto personal muy interante que implementa practicamente todos los pasos de un proyecto reacl de Machine Learning.
Los invito a leer la serie de articulos del proyecto que he venido publicando en mi blog.
https://smartai-blog.com/hacking-the-power-system-part1/
https://smartai-blog.com/hacking-the-power-system-part-2/

Excelente introducci贸n.

Que agradable obtener conocimientos de una Doctora en Inteligencia Artificial.

Sabemos que muchos de los servicios de google eran gratis con la finalidad de tener una base de datos extensos para perfilar a sus usuarios y fin de reflejarlos en Ads.