Introducción a Datos y Set de Datos
Clase 12 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
02:34 min
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
Los datos son necesarios para que nuestra máquina o software aprenda directamente.
Para los Datos debemos diferenciar dos cosas principales: El entrenamiento donde haremos todos los ajustes necesarios a nuestro modelo de Machine Learning y las Pruebas porque necesitamos medir el rendimiento, todo el performance de lo desarrollado.
-
Entrenamiento: Tenemos un grupo de datos el cual debe ser divido en varias partes, algunas para el entrenamiento y otra para las pruebas de validación.
-
Prueba: Son datos que nunca ha visto nuestro algoritmo de entrenamiento, son datos independiente y los colocaremos cuando nuestro algoritmo ya este entrenado.
-
Cross Validation: Es otra técnica utilizada para dividir los datos de entrenamiento y los datos de prueba. Con esta división podemos entrenar nuestro algoritmo varias veces.