Aprender los conceptos clave

1

Todo lo que aprenderás sobre MA con Scikit-Learn

2

¿Cómo aprenden las máquinas?

3

Problemas que podemos resolver con Scikit-learn

4

Las matemáticas que vamos a necesitar

Iniciar un proyecto con sklearn

5

Configuración de nuestro entorno Python

6

Instalación de librerías en Python

7

Datasets que usaremos en el curso

Optimización de features

8

¿Cómo afectan nuestros features a los modelos de Machine Learning?

9

Introducción al PCA

10

Preparación de datos para PCA e IPCA

11

Implementación del algoritmo PCA e IPCA

12

Kernels y KPCA

13

¿Qué es la regularización y cómo aplicarla?

14

Implementación de Lasso y Ridge

15

Explicación resultado de la implementación

16

ElasticNet: Una técnica intermedia

Regresiones robustas

17

El problema de los valores atípicos

18

Regresiones Robustas en Scikit-learn

19

Preparación de datos para la regresión robusta

20

Implementación regresión robusta

Métodos de ensamble aplicados a clasificación

21

¿Qué son los métodos de ensamble?

22

Preparación de datos para implementar métodos de ensamble

23

Implementación de Bagging

24

Implementación de Boosting

Clustering

25

Estrategias de Clustering

26

Implementación de Batch K-Means

27

Implementactión de Mean-Shift

Optimización paramétrica

28

Validación de nuestro modelo usando Cross Validation

29

Implementación de K-Folds Cross Validation

30

Optimización paramétrica

31

Implementación de Randomized

32

Bonus: Auto Machine Learning

Salida a producción

33

Revisión de nuestra arquitectura de código

34

Importar y exportar modelos con Sklearn

35

Creación de una API con Flask para el modelo

36

Cierre del curso

37

Material adicional para consultar

Las matemáticas que vamos a necesitar

4/37
Recursos
Transcripción

Aportes 11

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Les dejo un libro gratis que tiene un contenido fuerte en matemáticas para machine learning.
https://mml-book.github.io/

A Platzi le hace falta sacar un curso de Estadística mucho mejor, el que encontramos en la ruta de IA no se me hizo tan bueno

seria excelente que nos dieran una lista de cursos de platzi para poder tomar y entender todo esos temas hasta el momento el instructor es muy claro y conciso me agrada mucho que nos den un ejemplo en la vida real apartir de la teoria buen curso hasta el momento

Para formar una buena base de estadística y probabilidad recomiendo el material de Khan Academy:

https://es.khanacademy.org/math/statistics-probability

Importancia de las mates en el ML
La cortina de fondo: Varias técnicas que usamos para que los computadores aprendan están inspiradas en el mundo natural.

  • Redes neuronales artificiales: Están inspiradas en el cerebro humano.
  • Aprendizaje por refuerzo: Está inspirado en las teorías de la psicología conductual.
  • Algoritmos evolutivos: Los teorías de Charles Darwin.

Temas matemáticos generales a repasar:

  • Funciones y trigonométrica.
  • Algebra lineal.
  • Optimización de funciones.
  • Calculo diferencial.
    Temas de probabilidad a repasar
  • Probabilidad básica.
  • Combinaciones y permutaciones.
  • Variables aleatorias y distribuciones.
  • Teorema de Bayes.
  • Pruebas estadísticas.

imaginen solo por un momento hacer operaciones con matrices, vectores, hacer estadistica, graficar, y muchas cosas mas que vamos aprendiendo sin numpy, pandas o matplotlib.

Definitivamente la conclusión es que si no tienes buenas bases de matemáticas, es muy difícil tener un “entendimiento real” de machine learning e inteligencia artificial. Serán como “cajas negras”.

Donde puedo encontrar la presentacón que usa el profesor?

Excelente curso

Muchas gracias. Me anima éste curso. Espero dar con el nivel de matemáticas requerido.

No soy matemático ni nada por el estilo pero me siento capaz de todo lo que dijo el profe