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

No tienes acceso a esta clase

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

Recomendaciones para analizar correctamente tu problema

33/34
Recursos

Aportes 18

Preguntas 1

Ordenar por:

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

hubiese estado genial este v铆deo entre los v铆deos iniciales del curso. para estimular a los estudiantes.

  • Que se quiere lograr para poder elegir un modelo de ML adecuado.
  • Netflix usa 谩rboles de decisi贸n para las recomendaciones. Tambi茅n es usado en tiendas en l铆nea. Tambi茅n en redes sociales.
  • k-means: encuentra grupos con caracter铆sticas similares. En los libros. Ya se aplica en la industria. patrones en la conducta de compras. anti-fraude
  • Redes neuronales: es lo que m谩s se aplica en la industria, es lo que m谩s se ve. aplicaciones en m贸viles, filtros, mood status. etc.

Algunas fallas e imprecisiones en el curso, pero dentro de un todo me gust贸 bastante. Eso s铆, hay que pulir y ser m谩s cuidadosos con esas fallas. En general me gust贸 el contenido ya que da un buen panorama general de las posibilidades del ML y me gust贸 la forma de ense帽ar de Yesi!

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


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

Estar铆a bueno que implementen en un curso alguna de estas aplicaciones practicas en menor escala

鈥嬧婻egresiones 鈫 se usan para realizar predicciones a trav茅s datos historicos identificamos patrones y tendencias para hacer pron贸sticos
Arboles de decisi贸n 鈫 similitudes con respecto a otros usuarios
kmeans 鈫 agrupacion de acuerdo a similitudes, encontramos patrones de conducta
Aprendizaje profundo 鈫 filtros, detecci贸n de emociones, crear historias, extraer informacion de voz, clasificar imagenes

Recomendaciones para analizar correctamente tu problema

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

para saber que modelo funciona m谩s para un problema hace falta analizar qu茅 datos se tienen y que se quiere lograr

Regresi贸n

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

se puede usar para saber cu谩ndo el precio de un producto baja

para hacer entregas tambi茅n en una tienda sirve saber en qu茅 茅poca del a帽o se vende m谩s un producto

脕rboles de decisi贸n

Los 谩rboles de decisi贸n permiten saber en base a los datos que acci贸n se debe tomar

en la vida real Netflix usa arboles de decisi贸n para saber que pel铆culas y series nos deber铆a recomendar

del mismo modo en las tiendas online con 谩rboles de decisi贸n se le recomiendan productos a los usuarios los cuales son los productos que el usuario es m谩s propenso a comprar

K-means

Permite crear agrupaciones en bases a las similitudes

lo cual permite agrupar de forma autom谩tico libros por los temas que trata la historia, autores, g茅neros etc鈥

tambi茅n al abrir una tienda se pueden agrupar las zonas de las tiendas m谩s exitosas y menos exitosas

tambi茅n 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 an谩lisis de im谩genes

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

Los autos Tesla que se conducen solos utilizan c谩maras 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 clasificaci贸n de im谩genes en la cual identifique cuales son los elementos que existen en la imagen

Ya me pas贸 lo del l铆mite de compra (sospecha de fraude) jaja!
Quise hacer una compra de algunos miles de pesos con la TDC con la que suelo hacer compras peque帽as y no me dej贸 y a los minutos ya me estaba marcando el banco :c

es bastante interesante este video pero como introducci贸n no como finalizaci贸n del curso

En general estuvo interesante el curso, si creo que se debi贸 precisar cierta informaci贸n para aprovechar mejor el curso.

MIL GRACIAS POR EL CURSO , APRENDI MUCHO !!!

En terminos generales el curso es bueno, quisas ser铆a interesante que en cada algoritmo se haga un poco m谩s de 茅nfasis en la defici贸n del mismo, por ejemplo el 谩rbol de decisiones en su construcci贸n se base en la formula de la entrop铆a y ganancia de la informaci贸n.

muuy buena clasee

Gracias por todo.