Introducción al Machine Learning: Historia y Conceptos Básicos
Contenido del curso
Ulises Chustek
Abel Camacho
Victor Miguel Barrera Peña
Axel Yaguana
Team Platzi
sergio beto huanca mamani
Alberto Gurrion
Tomás Retamal Venegas
Juan Campos
David Coello
Diego Jurado
Elias Dudamel
Abel Camacho
Rodmy Suarez
Gian HM
Miguel Angel Oscco Rojas
Axel Yaguana
Team Platzi
Juan R. Vergara M.
SAMUEL ORTEGA CRUZ
Josué David Vergara Rojas
Ricardo Gomez
Juan Carlos Chambi Suaña
DAVID ARROYAVE GIRALDO
jose reales
Norma Natalia Moreno Espinoza
Gerardo Mayel Fernández Alamilla
Juan Acevedo
Mario Alexander Vargas Celis
Liliana Molina Camacho
I strongly recommend to the people who is interest on the advance of Machine Learning/Deep Learning/ IA to read the book titulated "Alquimia: Cómo los datos se están transformando en oro" By: Juan Manuel López Zafra. In that book, they look to many cases of use of that type of technology, in my opinion, is a really good book to introduce yourself in the daily use of the data and how important it's nowadays, y lo importante que seran en un futuro, no tan lejano.
thx for the recommendation
gracias,amigo
Timeline of Machine Learning
por qué el curso está inglés ?
Supongo que por que hay poca gente de habla hispana que sea "especialista" en esta área, espero que nosotros empecemos a abrir campo.
debe ser para incentivar el aprendizaje del idioma, ya que es una herramienta indispensable para desempeñarse en el área
It´s amazing!!! I didn´t know that Platzi has a Machine learning course in english, thanks a lot. I would have prefer the text would have written in english also.
It is already English text available, just change subtitles settings
Good idea to see the subtitles.
ML es la ciencia de usar algoritmos para identificar patrones en datos con el fin de resolver un problema de interés.
Los conjuntos de datos van a contener features que describen nuestros datos. Se puede encontrar en su uso patrones o clusters.
ML aparecen en problemas del día como el filtro de spam de los mails o como los sistemas de recomendación de websites como Amazon.
Actualmente AI/ML es una área en pleno crecimiento donde el financiamiento a empresas que desarrollan soluciones basadas en esta tecnología sigue aumentando.
The English course is challenging, but the presentation help me a lot with the technical vocabulary
Me demoro el doble de tiempo en asimiliar porque esta en ingles, me jodieron el curso
podría ser subtitulado?😅😅
¡Hola, Miguel!
Te comento que las clases ya están subtituladas, tanto en inglés como en español. :D
I really like the way Natasha esplains the concepts in such a great way 👍✔🥇
La verdad me gustaría establecer una relacion entre los textos escritos a mano y la estructura que tienen, como ejemplo: si se tiene una tabla escrita a mano y quiero digitalizarla a una base de datos, como me podria ayudar Machine Learning a resolver este problema?
I dunno why the teacher speaks in english, but the slides are in spanish... Quite confusing.
Excellent course!!
más cursos así en inglés :)
La necesidad de que la docente hable en inglés puede estar relacionada con varios factores relevantes en el contexto de machine learning. Primero, muchos recursos, investigaciones y tecnologías avanzadas están disponibles en inglés, por lo que es crucial para los estudiantes familiarizarse con el idioma. Además, el inglés es considerado un estándar en el campo de la ciencia de datos y machine learning, facilitando la comunicación y colaboración internacional. Esto puede enriquecer la experiencia de aprendizaje y preparar a los estudiantes para un entorno laboral globalizado.
por que el curso en ingles ??????
Hola platzinauta! La maestra habla inglés y para facilitar tu aprendizaje colocaron los recursos y subtítulos en español.
Nunca pares de aprender
I would like to know, what values does x1 represents when we have to many features(X´s) ?
What's ML? Basically ML: science which uses algorithms to identify patterns to be able to answer questions or solve (task problems)
¡Excelente elección! Una introducción al Machine Learning (ML) debe cubrir tanto la historia como los conceptos clave para entender cómo y por qué se usa esta disciplina. Aquí tienes un resumen claro y didáctico:
🧠 ¿Qué es el Machine Learning?
Machine Learning (aprendizaje automático) es una rama de la inteligencia artificial (IA) que permite que las computadoras aprendan a partir de datos sin ser programadas explícitamente para cada tarea.
“ML es el campo de estudio que da a las computadoras la habilidad de aprender sin ser explícitamente programadas.” – Arthur Samuel (1959)
📜 Breve Historia del Machine Learning
AñoHitoDescripción1950Test de TuringAlan Turing propone una prueba para medir la inteligencia artificial.1959Arthur SamuelCrea uno de los primeros programas de ML: un juego de damas que aprende.1986BackpropagationSe populariza el algoritmo de retropropagación en redes neuronales.1997IBM Deep BlueVence al campeón mundial de ajedrez Garry Kasparov.2012AlexNetRed neuronal que gana el concurso ImageNet, revoluciona el Deep Learning.HoyIA generativa, autoML, IA en producciónGrandes modelos como GPT, BERT, DALL·E, etc.
🧩 Tipos de Aprendizaje en ML
📦 Componentes Clave de un Sistema de ML
🧪 Ejemplos de Aplicaciones
CampoAplicaciónSaludDiagnóstico de enfermedadesFinanzasDetección de fraudesMarketingRecomendaciones personalizadasTransporteRutas inteligentes, coches autónomosLenguajeTraducción automática, generación de texto
🛠️ Herramientas Populares
Obtenido de ChatGPT al solicitar que me explique las diferencias entre aprendizaje supervisado y no supervisado.
1. Aprendizaje Supervisado
Definición: Es un tipo de aprendizaje en el que el modelo se entrena con un conjunto de datos etiquetado, es decir, cada entrada del conjunto de datos tiene una salida conocida (una "respuesta" o "etiqueta").
Objetivo: Predecir una salida (variable dependiente) a partir de nuevas entradas, basándose en ejemplos anteriores.
Ejemplos de uso:
2. Aprendizaje No Supervisado
Definición: Es un tipo de aprendizaje en el que el modelo trabaja con datos no etiquetados. El algoritmo debe descubrir estructuras, patrones o agrupaciones en los datos sin indicaciones explícitas.
Objetivo: Encontrar patrones ocultos o relaciones en los datos.
Ejemplos de uso:
