Curso de Fundamentos Prácticos de Machine Learning

Clase 16 de 17 • Curso de Introducción a Machine Learning

Contenido del curso

Introducción a machine learning

Algoritmos simples de machine learning

Deep learning

Conclusiones

Antes de que te vayas quiero contarte algo más. Durante este curso has aprendido las bases teóricas de machine learning y has comenzado a jugar con código de modelos con tu primera librería. Pero esto solo es el principio, es la introducción.

Como te comenté en la clase anterior, todavía hay mucho más por aprender en machine learning, deep learning e inteligencia artificial en general. Por ello quiero compartirte la ruta para continuar aprendiendo:

Machine learning

Curso de Fundamentos Prácticos de Machine Learning

Profundiza en el uso práctico de regresiones, árboles de decisión, clusterización con k-means e incluso toca las bases del deep learning.

Tómalo aquí.

Curso Profesional de Machine Learning con Scikit-Learn

Con este curso aprenderás a implementar los principales algoritmos disponibles en scikit-learn de manera profesional. Visitarás temas como optimización de features, optimización paramétrica, salida a producción y más.

Tómalo aquí.

Deep learning con redes neuronales

Curso de Fundamentos de Redes Neuronales con Python y Keras

Conoce cómo funcionan las redes neuronales creando una red neuronal con Python y Numpy. Aprende a utilizar Keras, la librería esencial para aprender el uso de redes neuronales.

Tómalo aquí.

Procesamiento de lenguaje natural

Curso de Fundamentos de Procesamiento de Lenguaje Natural con Python y NLTK

Aprende cómo los algoritmos pueden aprender a procesar el lenguaje humano con Python y NLTK y entrena tus primeros modelos de procesamiento de lenguaje natural.

Tómalo aquí.

Curso de Algoritmos de Clasificación de Texto

Descubre las aplicaciones del procesamiento de lenguaje natural en clasificación de textos. Comprende y usa estos algoritmos con Python y la librería NLTK.

Tómalo aquí.

Para terminar te invito a que regreses a este curso cada vez que tengas dudas sobre las bases que vimos y necesites recordarlas. Te ayudará mucho mientras sigues aprendiendo con los siguientes cursos que te recomendé.

¡Ahora sí nos vemos en la próxima!

Comentarios

Henry Mendiburu Díaz

student•

Para que el curso guarde relación con el nombre del mismo sería bueno que se incluya alguna temática aplicada a la plataforma de MindsDB, para aprender a utilizar alguna de sus funcionalidades.

Fernando La Chica

student•

Desde luego, lo que hemos visto es pura teoría. Didácticamente se ha pensado en que hagamos ejercicios por nuestra cuenta pero se queda en la superficie

Christopher Brian Guzmán Martínez

student•

Al parecer en Platzi, la introducción nunca pretende ir tan lejos jeje pero era de esperarse al estar clasificado como 'Básico'.

Aaron Fabrizio Calderon Guillermo

student•

Hay una pregunta del Examen que no tiene claves, por lo tanto, no puedo avanzar y/o terminar.

Diego Jurado

student•

Estará ya corregido?

Alvaro Max Landeros Hernandez

student•

Para profundizar mas en Deep Learning en español recomiendo el libro

Python Deep Learning de Jordi Torres.

Patricio Sánchez Fernández

student•

Buen dato, Álvaro...!

Jorge Andres Avendano Carabali

student•

examen RespUestAS Resumen 1. Machine learning encuentra ____ en los datos. Patrones 2. Usamos ____ dentro de los datos para ayudar a los modelos a encontrar los patrones necesarios. Features o características. 3. ___ en datasets representan una observación individual con varios features. Filas 4. Una ____ representa un tipo de feature dentro de un dataset. Columna 5. Estoy tratando de predecir ventas de helado. Una de las características es el sabor del helado. Tengo 3 sabores: chocolate, vainilla y fresa. ¿Qué tipo de feature o característica es esta? Categorical 6. Un feature desconocido se representa como ___ en un DataFrame de Pandas. NaN

Construyo un modelo que predice si alguien ganará una carrera. Uno de mis features (características) es la cantidad de horas que entrenaron. ¿Qué tipo de feature es este? Numerical 8. Estoy tratando de predecir el número de ventas de un artículo nuevo en la tienda. ¿Qué modelo de machine learning debo usar? Regresión lineal 9. Estoy tratando de predecir de qué país es un cliente en función de varios detalles de su cuenta, ¿qué tipo de problema de machine learning es este? Regresión REPASAR CLASE 10. Este tipo de aprendizaje es usado para predecir un target u objetivo: Supervisado 11. Los tres "ingredientes" de un algoritmo de machine learning son: Proceso de decisión, función de error/coste y regla de actualización, 12. En una regresión lineal si x crece, y crece ¿qué tipo de relación de regresión tiene? Positiva 13. ¿Qué función de coste se usa en una regresión lineal? Mean-square error 14. Puede evaluar el desempeño de un modelo de regresión logística con una ______ Matriz de confusión 15. En k-means, puedes cambiar las "k", o _______ El número de grupos. 16. Los centroides in k-means representan ______ El ejemplo "promedio" dentro de un clúster. 17. Una gráfica de ____ es usada para evaluar el rendimiento de un modelo de k-means. Codo (elbow) 18. Los tres tipos de capas en una red neuronal "vainilla" o simple son generalmente: Capa de entrada, capa oculta y capa de salida. 19. Las funciones de activación ___ una señal. Pasan 20. ____ se utiliza para ajustar pesos mientras se entrena redes neuronales. Backpropagation 21. Durante el entrenamiento, ____ se usa para evitar el sobreajuste. dropout

Daniel Saldarriaga

student•

Hola! Yo recomiendo este libro:

https://www.deeplearningbook.org/

de los genios Ian Goodfellow, Yoshua Bengio y Aaron Courville

Juan José Mamani Tarqui

student•

ya no se encuentra: Curso de Fundamentos Prácticos de Machine Learning**, me hubiera gustado tomar ese curso**

Hubert Teller

student•

¿Podría alguien de Platzi confirmar si los enlaces de los dos primeros cursos enumerados son correctos?

Curso de Fundamentos Prácticos de Machine Learning (https://platzi.com/cursos/fundamentos-ml/)
Curso Profesional de Machine Learning con Scikit-Learn (https://platzi.com/cursos/scikitlearn-ml/)

En ambos casos me sale error 404.

Nelson Mauricio Bravo Caballero

student•

el primer link aun no lo encuentro, tal vez quitaron el curso o le cambiaron de titulo o lo fucionaron con otro o algo asi.

el segundo link ahora seria https://platzi.com/cursos/scikitlearn/

Rafael Rivera

student•

Excelente curso, muy buena la profesora, me encanto los ejercicios que dejo, el único pero es que fuese en ingles, pero bueno, hay q practicar :)

Patricio Sánchez Fernández

student•

No Rafael, el problema no radica en que el curso fuese en Inglés, el problema está en que tú no hablas inglés, yo también me incluyo, mi inglés no es fluido. Pero hay que aprender. Me he dado cuenta que, cada vez que busco información de este tipo, o sobre IoT, y tecnologías similares, la mayor parte de los webinars, se imparten en idioma Inglés. Bueno, ahí se encuentra un excelente desafío, aprender Inglés.

Dave Sanchfor

student•

unfortunately this course for me is a 1 star review.

Her English is really clear, easy to understand.

but is boring as f@ck.

i have done only one introduction course at standfor university ( the free course obviously). surprisingly! they talk slow, they want to you understand the topic.

.......if you are learning English i encourage you to take those courses on coursera (platzi is a better platform)

To me this course was pretty much someone talking and talking (bla bla bla bla bla bla bla bla). i did not get anything from the teacher but i have learned a lot from the colab exercise.

POSITIVE. the colab examples were really good , easy to understand, well explained and a good combination of Spanish and English

Bryan

student•

Por lo que veo ya pasaron varios días y todavía no resuelven el problemas de las preguntas sin respuesta en el examen

FELIX DAVID CORDOVA GARCIA

student•

Ya la pusieron, la opcion NaN

Robinson Pulgarin Giraldo

student•

Atento saludo. Tengo las siguientes inquietudes sobre la relación de Machine Learning y Minería de datoa:

¿Son temas complementarios o uno es derivado del otro?
¿Puedo estudiar Minería de datos, de manera independiente a ML?
¿En que se diferencia la Minería de datos del Machine Learning?

Gracias.

Axel Yaguana

Team Platzi•

¡Hola!

Data mining es el proceso en sí de manejar inmensas cantidades de datos y encontrar patrones en ellas para responder preguntas. Las técnicas para encontrar esos patrones pueden ser de machine learning o no. Podría necesitarse un modelo estadístico más sencillo.

Entonces, data mining es un proceso entero. Y machine learning es un conjunto de técnicas que se puede aplicar dentro de ese proceso.

Sí, yo creo que podrías estudiar minería de datos independientemente de ML. Por ejemplo, podrías aprender a usar las herramientas y hacer algo de data engineering.

Yo los veo como temas complementarios.

John Brayan Mendoza Calderón

student•

Los link para los otros cursos ya no sirven, deben actualizar esos links porfa

Jordi Reig Carruana

student•

No funcionan los enlaces a los cursos o no están los cursos, debería actualizarse.

Iván Roberto Rivas Celeita

student•

I think the purpose of this course is to introduce people to let it go the fear to listening to material in English and have a general view over machine learning.

Jhon Freddy Tavera Blandon

student•

Recuerda que el aprendizaje automático y el aprendizaje profundo son campos en constante evolución, por lo que es importante mantenerse actualizado y seguir aprendiendo a medida que avanza la investigación y se desarrollan nuevas técnicas. La práctica constante, la exploración de proyectos desafiantes y el intercambio de conocimientos con la comunidad también son formas efectivas de profundizar en estos campos.

Nicolas Cordoba

student•

Los primeros links están rotos

Joel Orellana

student•

This course was so goooddddd :3!

Curso de Fundamentos Prácticos de Machine Learning

Introducción a machine learning

Curso actualizado

Algoritmos de Machine Learning: Preparación y Aplicación de Datos

Introducción al Machine Learning: Historia y Conceptos Básicos

Introducción a la Ciencia de Datos: Carga y Visualización de Conjuntos

Algoritmos Supervisados y No Supervisados en Machine Learning

Procesamiento y Análisis de Datos para Machine Learning

Algoritmos simples de machine learning

Modelos de Machine Learning: Uso, Implementación y Evaluación

Regresión Lineal: Predicción y Evaluación de Modelos Numéricos

Regresión Logística: Clasificación y Predicción de Probabilidades

Clasificadores de Bosque Aleatorio: Conceptos y Aplicaciones

Aprendizaje No Supervisado: Clustering con K-means

Guía práctica de algoritmos de machine learning con scikit-learn

Deep learning

Fundamentos de Redes Neuronales y Deep Learning

Mejora de Redes Neuronales: Ajuste, Overfitting y Dropout

Entrenamiento Efectivo de Redes Neuronales: Arquitectura y Tasa de Aprendizaje

Conclusiones

Curso de Fundamentos Prácticos de Machine Learning

Resumen del Curso de Machine Learning y Habilidades Avanzadas