Machine Learning Tutorial

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.

Aprende a distinguir entre sensibilidad y especificidad, y los casos de uso adecuados para cada una. Incluye ejemplos prácticos.

Explora qué es la inadaptación, cómo diagnosticar un modelo con inadaptación y descubre estrategias prácticas para corregirla, asegurándote de que tus modelos captan con precisión los patrones de datos y ofrecen predicciones fiables.

Aprende ingeniería de funciones con esta guía práctica. Explora técnicas como la codificación, el escalado y el manejo de valores perdidos en Python.

Aprende cómo funciona la propagación hacia delante en las redes neuronales, desde los fundamentos matemáticos hasta la implementación práctica en Python. Domina este concepto esencial del aprendizaje profundo con ejemplos de código y visualizaciones.

Aprende cómo la función de activación softmax transforma los logits en probabilidades para la clasificación multiclase. Compara softmax vs sigmoide e impleméntalo en Python con TensorFlow y PyTorch.