Muy interesante este tema.
Lo increíble es que mi mente leyó todo con la voz del profesor xD
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
Bonus: Auto Machine Learning
32/37Lectura
A estas alturas, después de ver la forma en la que scikit-learn nos permite semi-automatizar la optimización de nuestros modelos con GridSearchCV y RandomizedSearchCV es posible que te estés preguntando ¿Cuál es el límite de esta automatización?
...
Regístrate o inicia sesión para leer el resto del contenido.
Aportes 14
Preguntas 1
Ordenar por:
Yo pensaba que estudiando ML iba a tener mejores oportunidades laborales y ya están haciendo el Automated Machine Learning, creo que llegué tarde 😦
“En “A Brief Introduction to AutoML”, publicado por la revista de AI Becoming human, se indica que ML puede requerir contratar varias personas experimentadas y seguir sus sugerencias a propósito de qué modelo elegir. Mientras que con AutoML no hace falta hacer tal contratación, porque personal con menos experiencia técnica puede hacer un desarrollo exitoso utilizando un modelo pre-construido en el sistema y que hasta puede usarse para implementaciones futuras”
Creo que Platzi debería sacar estos cursos de AutoML, 🤔
AutoML muestra que es posible que sean las propias redes neurales las que diseñen este tipo de redes” … Carajo, esto y el GPT-3 nos van a joder bastante por lo visto.
Curso de auto-sklearn! Por favor
Es interesante ver la manera en la cual, a través de cada curso que uno hace se ven formas más fáciles e interesantes de aplicar los modelos de ML. Lo que nos puede llevar a la conclusión, de que hay que educar a las empresas tradicionales, para que lo empiecen a aplicar en su toma de decisiones.
Interesante, con esto en mente solo queda una cosa que hacer, reventar la PC a computo. jsjsjsjs
Los enlaces de GitHub están caídos!
Y actualmente ya tenemos IAs generativas como: ChatGPT con su code interpreter, GitHub Copilot o Code Whisperer de AWS para automatizar aún más las funciones de ML 🚀🤖🦾
El aprendizaje automático automatizado, o AutoML por sus siglas en inglés (Automated Machine Learning), se refiere a la automatización de tareas clave en el proceso de desarrollo de modelos de aprendizaje automático. Estas tareas incluyen la selección de algoritmos, la ingeniería de características, la optimización de hiperparámetros, la evaluación de modelos y, en algunos casos, incluso la implementación de modelos en producción.
Bastante interesante la lectura, y todo el material que nos comparten
**Con esto espero dar un mejor entendimiento y una mejor lógica a la diferencia de ambas ML:**
* **ML tradicional (Caperucita y su camino al bosque)**: Imagínate que Caperucita Roja está caminando por el bosque hacia la casa de su abuela. Debe elegir cada paso con cuidado, decidir si tomar el camino largo pero seguro o el corto y más peligroso. Ella debe analizar todos los obstáculos, elegir entre diferentes direcciones, y ajustarse cada vez que se equivoca de camino. En este caso, Caperucita representa al científico de datos que debe realizar manualmente cada paso del proceso de ML, desde la limpieza de datos hasta la optimización del modelo.
* **AutoML (Caperucita en un coche automático)**: Ahora imagina que Caperucita se sube a un coche que la lleva automáticamente a la casa de su abuela. No tiene que preocuparse por los obstáculos, ni por la elección del camino, porque el coche (AutoML) ya ha sido programado para tomar las mejores decisiones basadas en todos los posibles caminos. Caperucita llega a su destino rápidamente sin tener que preocuparse por los detalles. En esta metáfora, AutoML simplifica y automatiza el proceso, permitiendo que el usuario se enfoque en otros aspectos sin necesidad de entender cada paso del trayecto.
# ⚠️ IMPORTANTE
El valor no es solo saber escribir el codigo, sino **entender los conceptos detrás de ese código y el porque de las decisiones.**
Puede que el futuro de miedo, pero en tanto nunca paremos de aprender… **Nuestro futuro sera brillante ✨**
Si algunx tiene problemas para instalar auto-sklearn desde ubuntu o no tiene un sistema linux en deepnote se puede usar, solo hay que intalarlo con:
!pip install auto-sklearn
Muy interesante :3
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?