Modelos de Machine Learning: Uso, Implementación y Evaluación
Contenido del curso
ME GUSTA EL INGLES QUE PRONUNCIA Y HE APRENDIDO MUCHO DEL RETO QUE SE HIZO !!!!
Comparto tu posición, es más, envidio de forma poetica su ingles jeje
No solo el ingles.. sino que ademas sabe lo que dice. De los pocos intructures de ML de Platzi que sabe.
Les comparto un aporte que hice, en el que uso un escalamiento no lineal de tanh(x/a) . Y la diferencia con otro tipo de escaladores.
why is important ?
Thanks 👍
Creo que es la primera vez que me explican de forma tan sencilla la normalización de los datos. Símplemente restar la media y dividir por la desviación estándar para normalizarlos y así tener estabilidad en los datos. Me encantó esta clase, me pareció muy útil
Si lo explica de una manera que uno lo puede digerir fácilmente
Totalmente de acuerdo
📝 Normalización de datos numéricos
Se utiliza para asegurar que los modelos no tienen problemas de estabilidad numérica (la facilidad con la que el modelo puede entender los datos).
💡Estabilidad numérica = los datos numéricos se manejen en una misma escala/rangos similares, (Ejemplo [-1, 1]).
Existen varias técnicas de normalización, el que se muestra en la clase es el escalamiento z-score; consiste en transformar las variables numéricas del dataset de tal manera que tengan una media de 0 y una desviación estándar de 1, esto último se logra aplicando la formula
Para cada columna numérica del dataset:
📌 No se cambia la información dentro de la columna pero si el tamaño de los valores. Normalizar los datos permite que el modelo vea los valores en contextos similares.
Acá les dejo otro recursos para aprender más sobre la normalización de valores numéricos:
Espero que este aporte les sea de ayuda.
Made with 💜 by Paho!
#NuncaParenDeAprender 💚
Aplicar algoritmos de machine learning sigue una serie de pasos generales. Aquí tienes una "receta" básica que puedes seguir:
Recopilar y preparar los datos:
Dividir los datos en conjuntos de entrenamiento y prueba:
Seleccionar el algoritmo de machine learning apropiado:
Entrenar el modelo:
Evaluar el modelo:
Ajustar y optimizar el modelo:
Realizar predicciones en datos nuevos:
¡muy bueno!
Si el curso es en ingles, esta bien, pero debería de poner las diapositivas en ingles también
Creo que el curso es en ingles porque querían hacer participar a esta educadora profesional en el campo...con los subtítulos se ahorran de doblar todas las clases.
Para nada, está muy bien que las diapos sean en español, el inglés ya lo está hablando la profe.
I share my tutorial about Non-Linear Data Transformation in Deepnote
I loved your tutorial, it's amazing and easy to understand, thanks 💚
Acá dejo un pequeño spoiler del Aprendizaje Supervisado: https://www.youtube.com/watch?v=ijJYeLFtiVM&ab_channel=AprendeInnovando
La calidad de esta educadora es indiscutible. Pero la estructura de Platzi con este tema deja mucho que desear. Hay al menos dos cursos mas donde ya vi el concepto de ML y el concepto de normalización. Tal vez deberían usar el "pensamiento programador" y abstraer esta información dejándolo solo en este curso o algo por el estilo.
Según entiendo para entrenar el modelo basta con el 30-80% de los datos originales? Y puede que la pregunta sea absurda pero que se hace con el resto de los datos? Tal vez lo estoy entendiendo de una forma erronea?
La profe explica una forma de utilizar los datos para entrenar el modelo.
Una pequeña correción, normalización es usar el rango de cada feature y transformarlo en un rango estandar de datos, regularmente [0,1] o [-1,1]. Aunque no es obligatorio, usualmente aumenta la velocidad del aprendizaje.
EL otro concepto es estandarización, que es el descrito por la profesora, que es el proceso donde los datos son reescalados para que intenten seguir una distribución normal.
de veras necesitamos la transcripción hay cosas que se pierden
Es la segunda vez que encuentro un curso de tan buen nivel después de haber probado más de 100 en Platzi. ¿Qué otros cursos similares me recomendarían? Me encantó la documentación de Google Colab y la utilidad de plataformas como Kaggle. Además, se nota la calidad de esta profesora, y no como otros tiktoks de la plataforma.
¡Hagamos una lista de estas joyas de cursos, por favor!
Es interesante la forma en que se usa la preparacion de modelos. Sabia lo de aplicar training y testing. Nunca pense que validation tambien debe ser incluido.
Normalizacion de los Datos
Aplica para cada columna del dataset con valores numericos. Durante el proceso de optimizacion se requiere de Estabilidad Numerica que trata sobre la facilidad de un modelo para utilizar las reglas de actualizacion. Es una practica comun bormalizar los datos para asegurar que los modelos no tengan problemas de estabilidad.
Receta de algoritmos ML
Los algoritmos ML deben cumplir con un proceso de tres pasos:
