Fundamentos prácticos

1

Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje

2

Los fundamentos de machine learning que aprenderás

3

Introducción a Numpy

4

Introducción y manipulación de datos con Pandas

5

Introducción a ScikitLearn

6

Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresión Lineal y Logística

7

¿Qué es la predicción de datos?

8

Sobreajuste y subajuste en los datos

9

Regresión lineal simple y regresión lineal múltiple

10

Regresión lineal simple con Scikit-Learn: división de los datos

11

Regresión lineal simple con Scikit-Learn: creación del modelo

12

Regresión logística con Scikit-Learn: definición y división de datos

13

Regresión logística con Scikit-Learn: evaluación del modelo

14

Matriz de confusión

15

PlatziDoro Cápsula 1

Árboles de decisión

16

¿Qué es un árbol de decisión y cómo se divide?

17

Comprendiendo nuestro data set para la creación de un árbol de decisión

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificación

20

Visualización del árbol de decisión

K-Means

21

¿Qué es K-Means?

22

Cargando el data set de Iris

23

Construcción y evaluación del modelo con K-Means

24

Graficación del modelo

25

PlatziDoro Cápsula 2

Aprendizaje profundo

26

Introducción al aprendizaje profundo

27

Conceptos básicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creación de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluación de la red convolucional

32

PlatziDoro Cápsula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Introducción al aprendizaje profundo

26/34
Recursos

Aportes 15

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

  • Herramientas: pyTorch y TensorFlow
  • Subcategoría de ML que crea diferentes niveles, de abstracción que representa los datos.
  • Se usan tensores para representar estructuras de datos más complejas.
  • Neuronas: Capa de entrada, capas ocultas y capa de salida.
  • Para poder aprender se necesita una función de activación: ReLU: Permite el paso de todos los valores positivos sin cambiarlos, pero asigna todos los valores negativos a 0.
  • TensorFlow: Biblioteca de código abierto desarrollado por google, capaz de construir y entrenar redes neuronales.

Para los que quieran profundizar:

  • El aprendizaje profundo no es un tema nuevo, data de los años 50 aproximadamente pero su uso se ha popularizado debido a la existencia de librerias como TensorFlow (Desarrollador por Google) y pyTorch (Desarrollador por Facebook).

  • Gracias a las redes neuronales ahora los inputs no necesariamente tienen que ser datos, también pueden ser audios e imágenes.

  • Es una subcategoría de ML que crea diferentes niveles, de abstracción que representa los datos y se centra en encontrar similitudes o patrones. Utilizamos tensores para representar estructuras de datos más complejas.

  • Los fundamentos se encuentran en las neuronas. Las redes neuronales artificiales estan basadas en las conexiones neuronales divididas en capas de aprendizaje, estas son: Capa de entrada, capas ocultas y capa de salida.

  • Para poder aprender se necesita una función de activación, utilizaremos ReLU, aunque existen otras. ReLu permite el paso de todos los valores positivos sin cambiarlos, pero asigna todos los valores negativos a 0.

Aprendizaje profundo:

  • No es un tema nuevo, data de los años 50 aproximadamente pero su uso se ha popularizado debido a la existencia de librerias como TensorFlow y pyTorch.
  • Los inputs no necesariamente tienen que ser datos, también pueden ser audios e imágenes.
  • Se centra en encontrar similitudes o patrones.
  • Está basado en conexiones neuronales divididas en capas de aprendizaje: capas de entradas, capas ocultas y capas de salida.
  • Para iniciar el aprendizaje se usa una función de activación ReLU.

Deep Learning
Rama de machine learning que trabaja con redes neuronales, es decir crea diferentes niuveles de abstracción a partir de capas (de entrada, ocultas y salida) para podes procesar datos.
Es así que podemos trabajar con datos complejos como imágenes, voz, lenguaje, etc.

Funciones de activación
Son funciones que permiten añadir capas de complejidad a la red neuronal (sin estas nuestro modelo se reduciría a una única funcón lineal).
La función de activacion más usada es la función ReLU (por su simplicidad) que pasa todos los valores positivos sin cambiarlos y asigna un valor de cero a los valores negativos

Tensorflow
Biblioteca de código abierto desarrollada por Google con la capacidad de entrenar y construir Redes Neuronales

NO se si les pasa, pero mas se del tema mas me gusta y pienso cosas para programar

Por dios llegar a este punto me emociona bastante 😊😆

Machine Learning y Deep Learning

Cada tema se ve más interesante

Gracias por la clase.

Neural Network con javascript y HTML

https://www.w3schools.com/ai/ai_neural_networks.asp

Les dejo este Neural Network Playground para que lo prueben y tengan una intuición visual de lo que sucede al jugar con redes neuronales

Uff que tema tan interesante, realmente no conocia los alcances que se tienen en la actualidad

  • Una neurona es una función que retorna una suma ponderada de las entradas + un bias (constante).
  • Un conjunto de neuronas es una red neuronal
  • Una función de activación nos permite modificar el valor de salida de neuronas para que así, los comportamientos de los datos se acerquen más a la realidad y no sean lineales.

La diferencias mas grande de ML y DL son las capas, se considera DL cuando hay 2 o mas capas en la red neuronal.

y en este punto donde interviene la tecnologia de Apache Hadoop ?