- 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.
Fundamentos prácticos
Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje
Los fundamentos de machine learning que aprenderás
Introducción a Numpy
Introducción y manipulación de datos con Pandas
Introducción a ScikitLearn
Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)
Regresión Lineal y Logística
¿Qué es la predicción de datos?
Sobreajuste y subajuste en los datos
Regresión lineal simple y regresión lineal múltiple
Regresión lineal simple con Scikit-Learn: división de los datos
Regresión lineal simple con Scikit-Learn: creación del modelo
Regresión logística con Scikit-Learn: definición y división de datos
Regresión logística con Scikit-Learn: evaluación del modelo
Matriz de confusión
PlatziDoro Cápsula 1
Árboles de decisión
¿Qué es un árbol de decisión y cómo se divide?
Comprendiendo nuestro data set para la creación de un árbol de decisión
Creando un clasificador con Scikit-Learn
Entrenamiento del modelo de clasificación
Visualización del árbol de decisión
K-Means
¿Qué es K-Means?
Cargando el data set de Iris
Construcción y evaluación del modelo con K-Means
Graficación del modelo
PlatziDoro Cápsula 2
Aprendizaje profundo
Introducción al aprendizaje profundo
Conceptos básicos de Tensor Flow
Red neuronal convolucional
Conociendo el set de datos para la creación de la red neuronal
Crea y entrena tu primera red neuronal convolucional con Tensor Flow
Evaluación de la red convolucional
PlatziDoro Cápsula 3
Despedida
Recomendaciones para analizar correctamente tu problema
Siguientes pasos para continuar aprendendiendo de Machine Learning
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Crear cuenta
Si ya tienes una cuenta,
Iniciar sesiónIntroducción al aprendizaje profundo
26/34Recursos
Aportes 16
Preguntas 0
Ordenar por:
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.
NO se si les pasa, pero mas se del tema mas me gusta y pienso cosas para programar
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
Machine Learning y Deep Learning
Por dios llegar a este punto me emociona bastante 😊😆
De verdad que este curso me motiva a ser más y mejor DS. Dejo un video de Funciones de Activación:
https://www.youtube.com/watch?v=lFODTDO8mMw&ab_channel=CodificandoBits
- 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.
Cada tema se ve más interesante
Gracias por la clase.
Neural Network con javascript y HTML
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
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 ?
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.