0% encontró este documento útil (0 votos)
155 vistas8 páginas

Introduccion Al Aprendizaje Automatico en Python

El documento presenta una introducción al aprendizaje automático en Python que el autor, Jose Mariano Alvarez, realizó para un grupo de programadores. La presentación cubrió conceptos de aprendizaje automático como problemas de modelado y ejemplos comunes. También incluyó la creación de un entorno de trabajo en Anaconda, preprocesamiento de datos, visualización de datos y el modelo de aprendizaje de Mitchell. El autor compartió recursos como la presentación en PDF, un video y ejemplos de código.

Cargado por

Juan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
155 vistas8 páginas

Introduccion Al Aprendizaje Automatico en Python

El documento presenta una introducción al aprendizaje automático en Python que el autor, Jose Mariano Alvarez, realizó para un grupo de programadores. La presentación cubrió conceptos de aprendizaje automático como problemas de modelado y ejemplos comunes. También incluyó la creación de un entorno de trabajo en Anaconda, preprocesamiento de datos, visualización de datos y el modelo de aprendizaje de Mitchell. El autor compartió recursos como la presentación en PDF, un video y ejemplos de código.

Cargado por

Juan
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 8

Blog de Jose Mariano

 INICIO  ACERCA DE MI  CONDICIONES


Alvarez

Presentación Introducción al aprendizaje


automático en Python
Publicado por Jose Mariano Alvarez en 13/03/2022

En el día de ayer realicé una presentación de “Introducción al aprendizaje automático en Python”.


Esta presentación fue especialmente preparada para un grupo de programadores.

En esta ocasión continué y profundicé con los conceptos de la presentación anterior de


“introducción a la inteligencia artificial” y recorrí los conceptos más interesantes de Machine
Learning o Aprendizaje Automático. Sígueme

    
Resumen de la presentación
Translate BLOG
Al i d l ió h blé d l li d lM hi
Al comienzo de la presentación, hablé de los conceptos que explican de que se trata el Machine
Learning y como se diferencian del enfoque tradicional de programación. La idea fue esclarecer Select Language
como se relaciona el Machine Learning con otros conceptos como, la Inteligencia Artificial, el Big
Powered by Translate
Data o el Data Science. También, vimos los modelos de problemas que resuelve el Machine
Learning y cuáles son algunos ejemplos típicos de estas soluciones.
Feeds

Creación del entorno de Anaconda RSS - Posts

Uno de los primeros pasos requerido por los programadores es tener un entorno de trabajo.  Para Categorías
resolver esto, mostré como armar a partir de un archivo de configuración un ambiente de
Anaconda. Data Warehouse (1)

Una vez que decidimos que librerías queremos en el entorno de Anaconda, mostré como se puede Información General (2)
obtener ambiente de trabajo que contiene todas las librerías que precisamos para utilizarlo en
Inteligencia Artificial (12)
nuestra máquina. Luego mostré como se selecciona y se utiliza este ambiente en el Visual Studio
Code. Conceptos AI (5)

Data Science (2)

Preprocesamiento de datos Herramientas AI (3)

Machine Learning (3)

El problema del preprocesamiento de los datos lo abordé desde la perspectiva de entender cuáles Recursos (2)
son los problemas que se enfrenta el científico de datos cuando los datos vienen de la vida real o
cuando los algoritmos requieren un cambio a otro formato. Por eso expliqué algunas de las SQL Server (11)

técnicas más usadas en esta tarea y que soluciones aportan estas técnicas. Administración SQL Server (3)

Integration Services (1)


Visualización de datos Rendimiento SQL Server (1)

Luego pasé a explicar algunos problemas más comunes que se afrontan en el día a día. También Seguridad SQL Server (6)
algunas advertencias clásicas en esta tarea. Mostré como la visualización de datos puede ayudar
al científico de datos a entender los datos y el problema, y luego tomar mejores decisiones para
Etiquetas
preprocesar los datos y armar los modelos de Machine Learning.

Administración A t
Administración Agentes
Modelo de Machine Learning (Mitchel) Inteligentes BackPropagation Big Data

CNTK Curso Data Science Deep


Para entender los diversos tipos de problemas y alternativas del Machine Learning utilicé el
modelo de Mitchel que expresa “que un programa de computadora aprende de la experiencia E con
Learning Diagnóstico Herramientas
respecto a alguna clase de tareas T y la medida de rendimiento P, si su rendimiento en tareas en T, Inteligencia
medido por P, mejora con la experiencia E”.

Dentro del modelo, expliqué algunas de las posibles medidas de rendimiento y como pueden ser
Artificial Libro Machine
afectadas por el Sobreajuste o Overfitting, así como por el Subajuste o Underfitting.  También Learning Perceptron Performance
cuales son las alternativas más simples para luchar o evitar estos problemas eligiendo
Presentaciones Python Redes
cuidadosamente el modelo y la metodología de entrenamiento.
Neuronales Reinforcement Learning

Seguridad Soluciones SSIS


Recursos Supercomputadora T-SQL xp_cmdshell

 
Archivos

Contenido de la presentación (PDF) marzo 2022

febrero 2022

Presentación “Introducción al aprendizaje automático en Python” para descargar septiembre 2018

  junio 2018

Video de la presentación
marzo 2018

febrero 2018

enero 2018
Intro Machine Learning en Python
Compartir diciembre 2017

noviembre 2017

Estadísticas
Amigos

Marmota literatura

Mirar en

Ejemplos (para descargar)


Los ejemplos son las Jupyter Notebooks que utilicé en la presentación. Se pueden abrir en Visual
Studio Code .

Demos Introduccion Machine Learning en Python


Compartir mediante:

 Compartir

 Categorías: CONCEPTOS AI DATA SCIENCE

 INTELIGENCIA ARTIFICIAL MACHINE LEARNING

 Etiquetas Inteligencia Artificial Machine Learning


Python

0 Comentarios

Deja un comentario

Nombre * Correo electrónico * Sitio web

¿En qué estás pensando?

Recibir un email con los siguientes comentarios a esta entrada.

Recibir un email con cada nueva entrada.

PUBLICAR COMENTARIO

Este sitio usa Akismet para reducir el spam Aprende cómo se procesan los datos de tus comentarios
Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Entradas relacionadas

INFORMACIÓN GENERAL

Introducción a la inteligencia
artificial Presentación a
programadores
Coontenidos de la presentación de
“introducción a la inteligencia artificial”
especialmente preparada para un grupo de
programadores. Incluye conceptos como,
Definición de inteligencia artificial, Historia de
la inteligencia artificial, Agentes inteligentes,
Entornos, Agentes reactivos o reflexivos,
Agentes basados en modelos y en objetivos,
Agente resolvente, Algoritmos de búsqueda en
arboles, Primero en profundidad y primero en
anchura, Otros algoritmos en arboles y
grafos, Búsqueda informada y heurísticas,
Búsqueda A*, Máximos, mínimos y
optimización, Gradient descend, Hill climbing,
Simulated annealing, Algoritmos genéticos,
Problema de satisfacción de restricciones,
Juegos, Multiagentes, Minimax, Poda Alfa
Beta, Logica y prolog, Planing (strips), Neural
Networks

DATA SCIENCE CONCEPTOS AI

Instalar Apache Spark en Windows El perceptrón como neurona


10 artificial
Apache Spark se puede ejecutar en Hadoop, En 1943 McCulloch y Pitts propusieron un
Mesos, en la nube o como una aplicación modelo de neurona artificial que modelaba
independiente. El artículo explica de una aspectos físicos de las neuronas naturales. El
manera simple,cómo realizar la instalación modelo que propusieron tenía una salida
de Apache Spark en Windows 10 como binaria cuyo resultado se obtenía a partir de
aplicación independiente a partir de los los valores de entrada y de los pesos relativos
binarios precompilados mediante despliegue que se ajustaban para obtener la salida
XCOPY y sin la necesidad de utilizar deseada. De esta manera se podía obtener una
componentes adicionales, excepto los que función que a partir de los valores entrada
habitualmente usamos como un generaba una salida que podía utilizarse por
descompresor 7-Zip. ejemplo para clasificación. Estos resultados
sirvieron de base para el futuro modelado de
Sistemas de Redes Neuronales y el
aprendizaje profundo o Deep Learning.
Feeds Etiquetas

RSS - POSTS Administración Agentes Inteligentes


BackPropagation Big Data CNTK Curso Data Science
Deep Learning Diagnóstico Herramientas
Inteligencia Artificial Libro

Machine Learning Perceptron


Performance Presentaciones Python Redes Neuronales

Reinforcement Learning Seguridad Soluciones


SSIS Supercomputadora T-SQL xp_cmdshell

ACERCA DE MI CONDICIONES DE USO Hestia | Desarrollado por ThemeIsle

PDFmyURL.com - convert URLs, web pages or even full websites to PDF online. Easy API for developers!

También podría gustarte