Ciencias de Datos
Clase 8 de 32 • Curso de Introducción a Machine Learning 2018
Contenido del curso
Conceptos Básicos
- 4
Conceptos básicos: Inteligencia artificial, Machine Learning y Deep Learning
02:17 min - 5
Inteligencia artificial, Machine Learning y Deep Learning
02:00 min - 6
Inteligencia Humana y Artificial
02:51 min - 7
Machine Learning, Redes Neuronales Artificiales y Aprendizaje Profundo
04:50 min - 8
Ciencias de Datos
Viendo ahora
Set de Datos
Modelos de ML
- 14
Tipos de Machine Learning y modelos principales
02:28 min - 15
Introducción al aprendizaje supervisado y no supervisado
02:20 min - 16
Machine Learning Supervisado Algoritmos: Regresión Lineal, Logísticay Naive Bayes
07:00 min - 17
Machine Learning Supervisado Algoritmos: K-Nearest Neighbors, Decision Tree, Random Forest, y Redes Neuronales
08:45 min - 18
Proyecto Machine Learning Supervisado: práctica con algoritmo de Decision Tree y Random Forest
03:35 min - 19
Machine Learning No Supervisado: Algoritmos
05:00 min - 20
Proyecto de Machine Learning no Supervisado: aplicando algoritmo k-means
10:16 min
Evaluación
- 21
Introducción a la evaluación del modelo entrenado
02:24 min - 22
Evaluando nuestro algoritmo entrenado
02:31 min - 23
Matriz de confusión, precisión y recall
03:09 min - 24
Otras evaluaciones: Error cuadrático medio
01:13 min - 25
Proyecto de Machine Learning Supervisado: aplicando la matriz de confusión a nuestro algoritmo entrenado
10:52 min - 26
Probando nuestro algoritmo entrenado en un set de datos nuevos
05:49 min
ML y Matemáticas
Conceptos Finales
Resumen
Necesitamos datos para que nuestra máquina o software aprenda las tareas que va a realizar, por eso es importante escuchar eso que los datos nos tienen que decir. Con los datos podemos crear visualizaciones para entender en todo este conjunto de datos la información relevante que podemos tener.
Si fusionamos los tres mundos que son Machine Learning, Desarrollo de Software e Investigación Tradicional, tenemos las Ciencias de Datos la cual requiere las habilidades de programación para limpiar los datos, las visualizaciones; Matemáticas y Estadística porque necesitamos saber conceptos fundamentales como media, moda, mediana, etc; Y Dominio de Conocimiento porque vamos a poder extraer información valiosa en nuestro grupo de datos.