Curso de Fundamentos Prácticos de Machine Learning
Contenido del curso
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!
Henry Mendiburu Díaz
Fernando La Chica
Christopher Brian Guzmán Martínez
Aaron Fabrizio Calderon Guillermo
Diego Jurado
Alvaro Max Landeros Hernandez
Patricio Sánchez Fernández
Jorge Andres Avendano Carabali
Daniel Saldarriaga
Juan José Mamani Tarqui
Hubert Teller
Nelson Mauricio Bravo Caballero
Rafael Rivera
Patricio Sánchez Fernández
Dave Sanchfor
Bryan
FELIX DAVID CORDOVA GARCIA
Robinson Pulgarin Giraldo
Axel Yaguana
Team Platzi
John Brayan Mendoza Calderón
Jordi Reig Carruana
Iván Roberto Rivas Celeita
Jhon Freddy Tavera Blandon
Nicolas Cordoba
Joel Orellana
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.
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
Al parecer en Platzi, la introducción nunca pretende ir tan lejos jeje pero era de esperarse al estar clasificado como 'Básico'.
Hay una pregunta del Examen que no tiene claves, por lo tanto, no puedo avanzar y/o terminar.
Estará ya corregido?
Para profundizar mas en Deep Learning en español recomiendo el libro
Python Deep Learning de Jordi Torres.
Buen dato, Álvaro...!
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
Hola! Yo recomiendo este libro:
https://www.deeplearningbook.org/
de los genios Ian Goodfellow, Yoshua Bengio y Aaron Courville
ya no se encuentra: Curso de Fundamentos Prácticos de Machine Learning**, me hubiera gustado tomar ese curso**
¿Podría alguien de Platzi confirmar si los enlaces de los dos primeros cursos enumerados son correctos?
En ambos casos me sale error 404.
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/
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 :)
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.
unfortunately this course for me is a 1 star review.
Her English is really clear, easy to understand.
but is boring as f@ck.
.......if you are learning English i encourage you to take those courses on coursera (platzi is a better platform)
Por lo que veo ya pasaron varios días y todavía no resuelven el problemas de las preguntas sin respuesta en el examen
Ya la pusieron, la opcion NaN
Atento saludo. Tengo las siguientes inquietudes sobre la relación de Machine Learning y Minería de datoa:
Gracias.
¡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.
Los link para los otros cursos ya no sirven, deben actualizar esos links porfa
No funcionan los enlaces a los cursos o no están los cursos, debería actualizarse.
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.
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.
Los primeros links están rotos
This course was so goooddddd :3!
