Machine Learning

Calculus

Master the basics of derivatives in our “Introduction to Derivatives” article! Learn how to calculate and visualize derivatives with Python - find out now!

Python

Numpy

Calculus Derivatives with python

Integrals and Derivatives

4Geeks.com

Data Science and Machine Learning

Antes de sumergirte en el análisis de datos, es crucial entender las herramientas y el entorno que utilizarás. En este módulo, explorarás qué es la Ciencia de Datos, aprenderás sobre las herramientas esenciales y cómo se conectan para analizar datos de manera efectiva. También te familiarizarás con GitHub para la gestión de proyectos y descubrirás cómo 4Geeks Academy te guiará a lo largo de este emocionante viaje.

Comenzando tu Viaje en Ciencia de Datos

El pre-trabajo fue sobre Python, Numpy, Pandas y Matplotlib, pero entendemos que fue mucho, repasemos algunos de los conceptos con el resto de tu cohorte y mentores.

Introducción a Python para Ciencia de Datos

En este módulo, aprenderás a visualizar datos utilizando Matplotlib, una poderosa biblioteca de Python para la creación de gráficos. Luego, aplicarás tus conocimientos en un proyecto práctico de limpieza de datos de bienes raíces. ¡Prepárate para transformar datos en información visualmente atractiva!

Visualización de Datos con Matplotlib

El Álgebra Lineal y el Cálculo son fundamentales en el aprendizaje automático. En este módulo, explorarás matrices y vectores, que se utilizan para almacenar y manipular grandes cantidades de información. También aprenderás sobre funciones de álgebra lineal y cómo entender la relación entre las variables objetivo y sus predictores. Prepárate para una experiencia práctica y divertida resolviendo problemas de cálculo y álgebra con Python.

Cálculo y Álgebra Lineal

GitHub es donde vive el 90% del código del mundo. La mayoría de las bibliotecas de ciencia de datos, modelos de lenguaje grandes y cuadernos son de código abierto y están disponibles a través de GitHub. La razón de esto es la colaboración: ¡Hoy colaborarás como un profesional de IA real!

Colaboración en GitHub

Un algoritmo de aprendizaje automático se basa en la probabilidad, debes predecir cuán probable es que ocurra un evento o dato. Por eso, necesitamos revisar las funciones básicas de probabilidad para crear mejores modelos en el futuro. Prepárate para una aventura práctica y divertida explorando la probabilidad con Python.

Explorando la Probabilidad

Cuando tienes un gran conjunto de datos, no puedes calcular valores muy específicos porque hay demasiados datos. Lo que puedes hacer es obtener valores de tendencia central como la media, la mediana y la desviación estándar, entre otros. Prepárate para una experiencia práctica y divertida explorando estadísticas descriptivas con Python.

Estadísticas Descriptivas

Para predecir mejor, primero necesitamos entender cómo se distribuyen los valores de nuestro conjunto de datos. Con base en eso, podemos identificar mejor los valores atípicos, llenar los valores faltantes y realizar una mejor minería de datos en general. Prepárate para una experiencia práctica y divertida explorando distribuciones de probabilidad con Python.

Explorando Variables Aleatorias

Antes de crear un algoritmo/modelo con tus suposiciones, se recomienda usar Pruebas de Hipótesis (definiendo una hipótesis nula y alternativa) y probar contra ella. Prepárate para una experiencia práctica y divertida evaluando hipótesis con Python.

Pruebas de Hipótesis

Los algoritmos necesitan tiempo y espacio para ejecutarse. Como ingeniero de aprendizaje automático, debes aprender a optimizar tu código para que ocupe la menor cantidad de espacio sin tomar demasiado tiempo en ejecutarse. Prepárate para una experiencia práctica y divertida optimizando algoritmos con Python.

Optimización de Algoritmos

Si vas a desplegar tus modelos de aprendizaje automático, necesitas conocer la línea de comandos, el gestor de paquetes de Python (PIP) y el boilerplate de cookie cutter (al menos). Hoy recibirás la primera lección de Operaciones de Aprendizaje Automático.

Operaciones de Machine Learning

SQL es el lenguaje para los datos, todos los motores de bases de datos famosos lo utilizan para consultar o manipular los datos dentro de la base de datos. Familiaricémonos con los conceptos más básicos, instrucciones y conectémonos a nuestra primera base de datos real.

Introducción a SQL

El scraping es una de las fuentes más utilizadas para recopilar datos en el mundo del aprendizaje automático. Esta tecnología te permite descargar casi cualquier cosa disponible públicamente en Internet, ¡incluso sin una API! Hagamos nuestro primer scraping y aprendamos lo básico.

Raspado Web

La última forma de obtener o recuperar datos que aprenderemos durante los cursos son las integraciones de API. Hay millones de API públicas en Internet con información muy valiosa. Como ingeniero de aprendizaje automático, a veces necesitarás usar el paquete de solicitudes de Python para conectarte a una API y obtener los datos adicionales que necesitas. Prepárate para una experiencia práctica y divertida interactuando con APIs usando Python.

Solicitudes API

Encuentra patrones en tus datos para obtener información y conocimientos valiosos. Usa esa información para tomar decisiones y generar mejores predicciones. Si tus datos son basura, la salida será basura: limpia tus datos para evitar resultados de mala calidad. Prepárate para una experiencia práctica y divertida analizando y limpiando datos exploratorios.

Análisis Exploratorio de Datos

Durante este módulo aprenderás los conceptos básicos del aprendizaje automático, las métricas de evaluación y cómo optimizar tu algoritmo de ML. Comenzaremos nuestro viaje con regresiones logísticas. Prepárate para una experiencia práctica y divertida creando tu primer algoritmo de ML.

Tu Primer Algoritmo de ML

Lee la teoría de la regresión lineal y ejecuta el código en el cuaderno de exploración de regresión lineal para practicar. Luego, ve a tu proyecto y predice el costo de un seguro médico usando Regresión Lineal. Prepárate para una experiencia práctica y divertida explorando la regresión lineal.

Regresión Lineal

Es muy importante evitar el sobreajuste, por lo que en esta lección aprenderás sobre los modelos de regresión lineal regularizada, que son una forma común de evitarlo. Prepárate para una experiencia práctica y divertida explorando la regresión lineal regularizada.

Regresión Lineal Regularizada

Este es uno de los algoritmos más utilizados en la industria. Los árboles de decisión se utilizan tanto para problemas de clasificación como de regresión. Este algoritmo toma decisiones construyendo árboles con nodos, hojas y ramas para tomar decisiones. Prepárate para una experiencia práctica y divertida explorando los árboles de decisión.

Algoritmo de Árbol de Decisión

En este módulo agregaremos algo de aleatoriedad a nuestros árboles y construiremos modelos de aprendizaje automático utilizando Random Forest. Prepárate para una experiencia práctica y divertida explorando el algoritmo de Random Forest.

Algoritmo de Bosque Aleatorio

En esta lección, aprenderemos sobre técnicas de boosting, específicamente sobre el algoritmo de descenso de gradiente y XGBoost (descenso de gradiente extremo). Prepárate para una experiencia práctica y divertida explorando los algoritmos de boosting.

Algoritmos de Boosting

¿Te preguntabas cuándo aplicarías el Teorema de Bayes? Ahora es el momento. El algoritmo Naive Bayes es uno de los algoritmos más rápidos y se basa en el teorema de Bayes. Lo utilizaremos para la clasificación y también como una breve y simple introducción al NLP, que aprenderemos más a fondo en otro módulo. Prepárate para una experiencia práctica y divertida explorando el algoritmo Naive Bayes.

Algoritmo Naive Bayes

En este módulo aprenderemos sobre el algoritmo de k-vecinos más cercanos y profundizaremos en un sistema de recomendación muy simple construido con k-vecinos más cercanos. Prepárate para una experiencia práctica y divertida explorando el algoritmo de k-vecinos más cercanos.

K-Vecinos más Cercanos

En este módulo aprenderemos sobre un par de algoritmos no supervisados, pero nos enfocaremos en k-means para la agrupación con un proyecto muy simple que te ayudará a entender cómo agrupar datos en clusters. ¡Prepárate para una experiencia práctica y divertida construyendo con k-means!

Aprendizaje No Supervisado

En esta lección, aprenderemos a reconocer y manejar series temporales cuando están presentes en nuestros conjuntos de datos. El proyecto de esta lección será una competencia en tiempo real, ¡así que prepárate con todas tus habilidades! ¡Prepárate para una experiencia práctica y divertida construyendo con series temporales!

Pronóstico de Series Temporales

Este es nuestro último módulo sobre algoritmos. Cerraremos esta parte con una breve introducción a deep learning y redes neuronales para que podamos aprender un modelo más complejo pero eficiente. ¡Prepárate para una experiencia práctica y divertida construyendo con deep learning!

Introducción a Deep Learning

En este módulo aprenderemos los conceptos básicos de un nuevo algoritmo: Máquina de Vectores de Soporte y también tendremos una introducción al Procesamiento del Lenguaje Natural. Combinaremos ambos practicando con un clasificador de spam de correos electrónicos en el cuaderno de exploración de NLP, y luego trabajarás en un clasificador de spam de URL en tu proyecto. ¡Prepárate para una experiencia práctica y divertida construyendo con NLP!

Introducción al Procesamiento del Lenguaje Natural

En esta lección, aprenderemos a construir una aplicación web de aprendizaje automático utilizando uno de tus mejores modelos y la herramienta Flask. Luego, la desplegaremos en Heroku para que nuestro modelo pueda ser mostrado al mundo. ¡Prepárate para una experiencia práctica y divertida construyendo y desplegando tu aplicación de ML!

Aplicación Web de ML con Flask

En esta lección, aprenderemos a construir una aplicación web de aprendizaje automático utilizando uno de tus mejores modelos y la herramienta Streamlit. Luego, la desplegaremos en Heroku para que nuestro modelo pueda ser mostrado al mundo. ¡Prepárate para una experiencia práctica y divertida construyendo y desplegando tu aplicación de ML!

Aplicación Web de ML con Streamlit

Esta es nuestra última lección, una breve introducción a los recursos de computación en la nube para el aprendizaje automático. Al usar grandes conjuntos de datos, es importante conocer los recursos disponibles en la nube. Pueden ayudarnos a reducir los tiempos de entrenamiento. Lee esta lección en casa y discútela en clase. Siéntete libre de profundizar en tu plataforma preferida con los enlaces de aprendizaje mencionados en la lección. ¡Prepárate para una experiencia práctica y divertida explorando la computación en la nube para ML!

Computación en la Nube para ML

¡Has llegado al proyecto final! Lee las siguientes instrucciones para comenzar tu propio proyecto. ¡Prepárate para una experiencia práctica y divertida construyendo tu proyecto final de Machine Learning!

Proyecto Final

¡Únete a nuestro bootcamp de Ciencia de Datos y Machine Learning, y aprende a tu propio ritmo y horario! Recorre un curriculum estructurado y obtén ayuda instantánea de mentores expertos y de nuestra IA cuando lo necesites. ¡Empieza a aprender desde cero y logra tu primer trabajo como Científico de Datos!

Practice Calculus

Lessons, exercises, and projects about Calculus

Calculus

Calculus Derivatives with python

Integrals and Derivatives