Machine Learning Tutorial

Acaba con los gradientes que desaparecen y los modelos sesgados. Aprende a normalizar datos utilizando min-max y z-score en Scikit-learn para mejorar los modelos de machine learning.

Aprende a implementar DBSCAN, comprende sus parámetros clave y descubre cuándo aprovechar sus ventajas únicas en tus proyectos de ciencia de datos.

En este tutorial, aprenderás sobre la clasificación mediante árboles de decisión, las medidas de selección de atributos y cómo crear y optimizar un clasificador de árboles de decisión utilizando el paquete Scikit-learn de Python.

La precisión no es suficiente. Aprende la diferencia entre precisión y recuperación, comprende la compensación y elige la métrica adecuada para tu modelo.

Aprende qué son las funciones de coste y cómo y cuándo utilizarlas. Incluye ejemplos prácticos.

Aprende a convertir modelos al formato ONNX, optimizarlos con cuantificación e implementarlos en cualquier plataforma, desde dispositivos periféricos hasta servidores en la nube, sin dependencia de un proveedor concreto.

Comprende cómo la puntuación F1 evalúa el rendimiento del modelo combinando precisión y recuperación. Aprende su uso en la clasificación binaria y multiclase, con ejemplos en Python.

Descubre cómo UMAP simplifica la visualización de datos de alta dimensión con explicaciones detalladas, casos prácticos y comparaciones con otros métodos de reducción de dimensionalidad, incluidos t-SNE y PCA.

Esta guía explica la intuición matemática que hay detrás de la función tanh, cómo se compara con la sigmoide y la ReLU, sus ventajas y desventajas, y cómo implementarla de forma eficaz en el aprendizaje profundo.

Las redes neuronales feed-forward (FFNN) son la base del aprendizaje profundo y se utilizan en el reconocimiento de imágenes, los transformadores y los sistemas de recomendación. Este completo tutorial sobre FFNN explica su arquitectura, las diferencias con respecto a las MLP, las activaciones, la retropropagación, ejemplos del mundo real y la implementación en PyTorch.

Explora KL-Divergence, una de las herramientas más comunes y esenciales utilizadas en machine learning.

Aprende qué es la estimación de máxima verosimilitud (MLE), comprende sus fundamentos matemáticos, ve ejemplos prácticos y descubre cómo implementar MLE en Python.