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
Aprender los conceptos clave
Todo lo que aprenderás sobre MA con Scikit-Learn
¿Cómo aprenden las máquinas?
Problemas que podemos resolver con Scikit-learn
Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
Configuración de nuestro entorno Python
Instalación de librerías en Python
Datasets que usaremos en el curso
Optimización de features
¿Cómo afectan nuestros features a los modelos de Machine Learning?
Introducción al PCA
Preparación de datos para PCA e IPCA
Implementación del algoritmo PCA e IPCA
Kernels y KPCA
¿Qué es la regularización y cómo aplicarla?
Implementación de Lasso y Ridge
Explicación resultado de la implementación
ElasticNet: Una técnica intermedia
Regresiones robustas
El problema de los valores atípicos
Regresiones Robustas en Scikit-learn
Preparación de datos para la regresión robusta
Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
¿Qué son los métodos de ensamble?
Preparación de datos para implementar métodos de ensamble
Implementación de Bagging
Implementación de Boosting
Clustering
Estrategias de Clustering
Implementación de Batch K-Means
Implementación de Mean-Shift
Optimización paramétrica
Validación de nuestro modelo usando Cross Validation
Implementación de K-Folds Cross Validation
Optimización paramétrica
Implementación de Randomized
Bonus: Auto Machine Learning
Salida a producción
Revisión de nuestra arquitectura de código
Importar y exportar modelos con Sklearn
Creación de una API con Flask para el modelo
Cierre del curso
Material adicional para consultar
Crea una cuenta o inicia sesión
¡Continúa aprendiendo sin ningún costo! Únete y comienza a potenciar tu carrera
Las matemáticas que vamos a necesitar
4/37Recursos
Aportes 18
Preguntas 0
Ordenar por:
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”.
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.
Para formar una buena base de estadística y probabilidad recomiendo el material de Khan Academy:
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
“El Machine learning es matemática y estadística”…
para entender muchos conceptos como
- algebra lineal
- redes neuronales
- descenso del gradiente (otimizacion de funciones)
- statistical
les recomiendo estos dos canales
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.
Donde puedo encontrar la presentacón que usa el profesor?
Otro resumen:
* **Probabilidad básica** te ayuda a manejar la incertidumbre y predicción.
* **Combinaciones y Permutaciones** son útiles para evaluar y seleccionar características.
* **Variables Aleatorias y Distribuciones** son claves para modelar y entender los datos.
* **Teorema de Bayes** es la base de muchos algoritmos probabilísticos.
* **Pruebas Estadísticas** permiten validar la significancia de tus resultados.
En otras palabras:
* **Funciones y Trigonometría**: Comprender las funciones de activación y transformaciones importantes en ML.
* **Álgebra Lineal**: Manejo eficiente de datos mediante matrices y operaciones vectoriales.
* **Optimización de Funciones**: Ajuste de los modelos para reducir el error.
* **Cálculo Básico**: Ajuste de parámetros de los modelos (descenso de gradiente, backpropagation).
Me fascina qué todo el ML está inspirado en lo que sucede en la naturaleza.
Por favor mejoren el curso de estadística inferencial de la ruta!!!!!!!!....... ó que lo haga el profesor que realiza el curso de estadística descriptiva , falta meterle pizarra , hacer las demostraciones... entender el ¿por que? de las cosas , no es solamente mostrar formulitas y ya....
Es importante tener un buen dominio de estos temas matemáticos, ya que son fundamentales para muchas áreas de la ciencia y la ingeniería, incluido el aprendizaje automático y la inteligencia artificial.
Tener una comprensión sólida de estos conceptos estadísticos es esencial para analizar datos de manera efectiva y tomar decisiones informadas en una variedad de campos, desde la investigación científica hasta la toma de decisiones empresariale
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
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?