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

Recomendaciones para analizar correctamente tu problema

33/34
Recursos

Aportes 22

Preguntas 2

Ordenar por:

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

hubiese estado genial este vídeo entre los vídeos iniciales del curso. para estimular a los estudiantes.

  • Que se quiere lograr para poder elegir un modelo de ML adecuado.
  • Netflix usa árboles de decisión para las recomendaciones. También es usado en tiendas en línea. También en redes sociales.
  • k-means: encuentra grupos con características similares. En los libros. Ya se aplica en la industria. patrones en la conducta de compras. anti-fraude
  • Redes neuronales: es lo que más se aplica en la industria, es lo que más se ve. aplicaciones en móviles, filtros, mood status. etc.

Algunas fallas e imprecisiones en el curso, pero dentro de un todo me gustó bastante. Eso sí, hay que pulir y ser más cuidadosos con esas fallas. En general me gustó el contenido ya que da un buen panorama general de las posibilidades del ML y me gustó la forma de enseñar de Yesi!

En twitter siempre aparece gente aleatoria que hace enojar. Supongo que ese es el negocio de ellos.

​​Regresiones → se usan para realizar predicciones a través datos historicos identificamos patrones y tendencias para hacer pronósticos
Arboles de decisión → similitudes con respecto a otros usuarios
kmeans → agrupacion de acuerdo a similitudes, encontramos patrones de conducta
Aprendizaje profundo → filtros, detección de emociones, crear historias, extraer informacion de voz, clasificar imagenes

Estaría bueno que implementen en un curso alguna de estas aplicaciones practicas en menor escala

Recomendaciones para analizar correctamente tu problema

A lo largo del curso hemos visto modelos supervisados, no supervisados y profundos

para saber que modelo funciona más para un problema hace falta analizar qué datos se tienen y que se quiere lograr

Regresión

Cuando se busca entender tendencias en el timepo para pronosticar un valor futuro

se puede usar para saber cuándo el precio de un producto baja

para hacer entregas también en una tienda sirve saber en qué época del año se vende más un producto

Árboles de decisión

Los árboles de decisión permiten saber en base a los datos que acción se debe tomar

en la vida real Netflix usa arboles de decisión para saber que películas y series nos debería recomendar

del mismo modo en las tiendas online con árboles de decisión se le recomiendan productos a los usuarios los cuales son los productos que el usuario es más propenso a comprar

K-means

Permite crear agrupaciones en bases a las similitudes

lo cual permite agrupar de forma automático libros por los temas que trata la historia, autores, géneros etc…

también al abrir una tienda se pueden agrupar las zonas de las tiendas más exitosas y menos exitosas

también permite agrupar los diferentes tipos de transacciones que hace un usuario en una tienda online y saber si la compra fue o no un fraude

Aprendizaje profundo

Permite usar redes neuronales convolucionales para el análisis de imágenes

Se usan en los filtros de camara que usan las redes sociales

Los autos Tesla que se conducen solos utilizan cámaras y Aprendizaje profundo para reconocer el mundo a su alrededor

se usan para analizar texto y generar modelos de generaciones de texto como GPT-3

se puede aplicar para analizar sonido y las palabras dichas

se puede usar para clasificación de imágenes en la cual identifique cuales son los elementos que existen en la imagen


es bastante interesante este video pero como introducción no como finalización del curso

Ya me pasó lo del límite de compra (sospecha de fraude) jaja!
Quise hacer una compra de algunos miles de pesos con la TDC con la que suelo hacer compras pequeñas y no me dejó y a los minutos ya me estaba marcando el banco :c

Haciendo referencia al NLP, hace poco tiempo se publico el modelo GPT-3 el cual tiene un potencial increíble, les recomiendo leer un poco sobre el tema si les interesa.

Gracias por todo.

En general estuvo interesante el curso, si creo que se debió precisar cierta información para aprovechar mejor el curso.

Todavía se que hay mas cursos del tema y todo se va entendiendo poco a poco, a mi me ha servido complementar el aprendizaje con libros, para poder reforzar los conceptos no mencionados o poco claros.
Si pueden compren estos libros físicos o e-books

Pienso que este curso tiene una pequeña introducción a Deep Learning que se profundizará en siguientes cursos, como el de tf. Al menos, eso espero!

El Curso está bien, te da una vista rápida que sirve de punto de partida para busques mas información según lo que te haga falta. No se si esos errores que mencionan los otros usuarios son muy graves o no, pero a mi me ha quedado una idea general y ya se que buscar.

Recomendaciones para analizar correctamente tu problema
A lo largo del curso hemos visto modelos supervisados, no supervisados y profundos

para saber que modelo funciona más para un problema hace falta analizar qué datos se tienen y que se quiere lograr

Regresión
Cuando se busca entender tendencias en el timepo para pronosticar un valor futuro

se puede usar para saber cuándo el precio de un producto baja

para hacer entregas también en una tienda sirve saber en qué época del año se vende más un producto

Árboles de decisión
Los árboles de decisión permiten saber en base a los datos que acción se debe tomar

en la vida real Netflix usa arboles de decisión para saber que películas y series nos debería recomendar

del mismo modo en las tiendas online con árboles de decisión se le recomiendan productos a los usuarios los cuales son los productos que el usuario es más propenso a comprar

K-means
Permite crear agrupaciones en bases a las similitudes

lo cual permite agrupar de forma automático libros por los temas que trata la historia, autores, géneros etc…

también al abrir una tienda se pueden agrupar las zonas de las tiendas más exitosas y menos exitosas

también permite agrupar los diferentes tipos de transacciones que hace un usuario en una tienda online y saber si la compra fue o no un fraude

Aprendizaje profundo
Permite usar redes neuronales convolucionales para el análisis de imágenes

Se usan en los filtros de camara que usan las redes sociales

Los autos Tesla que se conducen solos utilizan cámaras y Aprendizaje profundo para reconocer el mundo a su alrededor

se usan para analizar texto y generar modelos de generaciones de texto como GPT-3

se puede aplicar para analizar sonido y las palabras dichas

se puede usar para clasificación de imágenes en la cual identifique cuales son los elementos que existen en la imagen

MIL GRACIAS POR EL CURSO , APRENDI MUCHO !!!

En terminos generales el curso es bueno, quisas sería interesante que en cada algoritmo se haga un poco más de énfasis en la defición del mismo, por ejemplo el árbol de decisiones en su construcción se base en la formula de la entropía y ganancia de la información.

muuy buena clasee