Machine Learning y Álgebra Lineal

Clase 29 de 32 • Curso de Introducción a Machine Learning 2018

Contenido del curso

Intro

Conceptos Básicos

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

ML y Matemáticas

Conceptos Finales

Tomar examen

Resumen

El Álgebra Lineal es importante en el Machine Learning porque necesitamos entender los conceptos básicos que van por detrás de los algoritmos.

Algunos temas a saber son:

Regresión Lineal
Regresión de Mínimos Cuadrados
Matrices

Fernando Pioli Martínez

student•

Es importante la Algebra Lineal para machine learning para entender los conceptos básicos utilizados en los algoritmos de Machine Learning.

Estos conceptos son:

1- Regresión Lineal: Cuando tenemos valores incógnitos que relacionan directamente dos variables.
2- Regresión de Mínimos Cuadrados: Para encontrar la eficiencia en el rendimiento de nuestro algorítmo entrenado.
3- Matrices: Las hemos utilizado en la matriz de confunsión. Si utilizamos técnicas de machine learning más avanzadas vamos a representar, por ejemplo, a las imagenes de los números escritos a mano en una matriz.

Edward Fernandez

¡Gracias por el resumen @feracing!

Machine Learning y Álgebra Lineal

Intro

Bienvenidos al Curso de Introducción a Machine Learning

Introducción al Machine Learning

Glosario de palabras técnicas

Conceptos Básicos

Conceptos básicos: Inteligencia artificial, Machine Learning y Deep Learning

Inteligencia artificial, Machine Learning y Deep Learning

Inteligencia Humana y Artificial

Machine Learning, Redes Neuronales Artificiales y Aprendizaje Profundo

Ciencias de Datos

Set de Datos

TUTORIAL PROYECTO: Trabajando con datos

Instalación de Jupyter Notebook

SciKit Learn: tutorial básico

Introducción a Datos y Set de Datos

Proyecto: Trabajando con datos

Modelos de ML

Tipos de Machine Learning y modelos principales

Introducción al aprendizaje supervisado y no supervisado

Machine Learning Supervisado Algoritmos: Regresión Lineal, Logísticay Naive Bayes

Machine Learning Supervisado Algoritmos: K-Nearest Neighbors, Decision Tree, Random Forest, y Redes Neuronales

Proyecto Machine Learning Supervisado: práctica con algoritmo de Decision Tree y Random Forest

Machine Learning No Supervisado: Algoritmos

Proyecto de Machine Learning no Supervisado: aplicando algoritmo k-means

Evaluación

Introducción a la evaluación del modelo entrenado

Evaluando nuestro algoritmo entrenado

Matriz de confusión, precisión y recall

Otras evaluaciones: Error cuadrático medio

Proyecto de Machine Learning Supervisado: aplicando la matriz de confusión a nuestro algoritmo entrenado

Probando nuestro algoritmo entrenado en un set de datos nuevos

ML y Matemáticas

Machine Learning y Cálculo / Reto

Introducción al Machine Learning y Matemáticas

Machine Learning y Álgebra Lineal

Machine Learning y Probabilidad y Estadística

Conceptos Finales

Revisión de los pasos seguidos en el proyecto

Recomendaciones y despedida