Introducción a la construcción de un modelo en Machine Learning
Clase 22 de 28 • Curso de Introducción a Machine Learning 2017
Contenido del curso
Introducción a Inteligencia Artificial
Machine Learning
Probablidiad y Estadítica
Algoritmos
- 10

¿Qué son algoritmos?
09:30 min - 11
Ejercicio escrito: Secuencia de Fibonacci
00:31 min - 12

Regresión Lineal
09:15 min - 13
Ejercicio escrito: Regresión Lineal
00:20 min - 14

Regresión Logística
04:00 min - 15

Regresión Logística Multinomial
03:24 min - 16

Redes Neuronales
11:16 min - 17
Ejercicio escrito: Compuerta Logica OR
00:16 min - 18

Algoritmo K-Means
03:42 min - 19

Deep Learning (Aprendizaje Profundo)
04:57 min - 20

Problemas Frecuentes en Machine Learning
04:14 min - 21
Ejercicio escrito: Underfitting y Overfitting
00:19 min
Construyendo un Modelo
Cierre del curso
Contenido Bonus
¿Por qué Python para Machine Learning?
Python tiene muchas librerías numéricas que te sirven para hacer todo el procesamiento de los datos con las operaciones que necesitamos. Además de que la sintaxis es buena, fácil y moderna.
¿Por qué utilizar TensorFlow?
Es una herramienta Open Source para computación numérica y tiene una arquitectura muy flexible para llevar todo a producción usando un solo API.
¿Qué dataset vamos a utilizar?
MNIST fue creado para que se hicieran pruebas de algoritmos como los que vamos a utilizar.
Consiste en una serie de números escritos a mano para poder hacer un entrenamiento a los patrones y definir qué imagen es cada una. Cada imagen es de 28 x 28 px.
Está dividido en 2 partes:
- Set de entrenamiento de 60,000 imágenes de números.
- Set de prueba de 10,000 imágenes.