Tutorial de Aprendizaje Automático

Un tutorial de scikit-learn para predecir las victorias por temporada en la MLB modelando los datos con KMeans y modelos de regresión lineal.

Descubre cómo los ordenadores "ven" e interpretan imágenes, las técnicas para manipularlas y cómo el aprendizaje automático ha cambiado las reglas del juego.

En este tutorial, entenderás a alto nivel cómo funcionan las SVM y luego las implementarás en R.

Repasa las diez novedades más importantes de TensorFlow 2.0 y aprende a implementar algunas de ellas.

¡Visualiza los parámetros de entrenamiento, métricas, hiperparámetros o cualquier estadística de tu red neuronal con TensorBoard!

Descubre cómo Textacy, una biblioteca de Python, simplifica el preprocesamiento de texto para aprendizaje automático. Conoce sus funciones diferenciales como la normalización de caracteres y el enmascaramiento de datos, y compárala con otras bibliotecas como NLTK y spaCy.

Aprende los fundamentos de la regularización y cómo ayuda a prevenir el sobreajuste.

En este tutorial, aprenderás a usar una librería muy particular en Python: TPOT. Es única porque automatiza toda la canalización de machine learning y te proporciona el modelo con mejor rendimiento.

En este tutorial verás qué es el transfer learning, algunas de sus aplicaciones y por qué es una habilidad clave para cualquier científico de datos.

Aprende cómo el descenso de gradiente optimiza modelos de machine learning. Descubre sus aplicaciones en regresión lineal, regresión logística, redes neuronales y sus variantes clave: batch, stochastic y mini-batch.

Prepárate para tu primera competición de Kaggle con este tutorial paso a paso.

Descubre cómo las curvas de aprendizaje pueden ayudarte to evaluar tus datos e identificar soluciones óptimas.