Tutorial de Aprendizaje Automático

Aprende a extraer novelas de la web y a representar distribuciones de frecuencia de palabras; ganarás experiencia con las librerías de Python requests, BeautifulSoup y nltk.

En este tutorial, aprenderás a entrenar modelos generativos para componer música en TensorFlow 2.0.

Descubre cómo los Vision Transformers (ViT) aprovechan las incrustaciones de parches y la autoatención para superar a las CNN en clasificación de imágenes moderna. Este tutorial en profundidad desglosa la arquitectura ViT, incluye código paso a paso en Python y te muestra cuándo elegir ViT en proyectos reales de visión por computador.

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

El machine learning causal combina ML con inferencia causal para ir más allá de la predicción y estimar qué ocurre cuando intervienes. Este artículo cubre conceptos clave, métodos, herramientas en Python y errores comunes.

El aprendizaje autosupervisado entrena modelos para obtener su propia supervisión de texto, imágenes, audio y vídeo sin etiquetar, con técnicas como el aprendizaje contrastivo, el modelado enmascarado y la predicción autorregresiva que dan forma a las representaciones detrás de los modelos de lenguaje, visión y multimodales actuales.

Explora la arquitectura de los Transformers, los modelos que han revolucionado el tratamiento de datos mediante mecanismos de autoatención.

Una visión práctica del aprendizaje contrastivo: cómo los modelos aprenden comparando ejemplos similares y distintos, las funciones de pérdida y los métodos clave, y cómo implementarlo en PyTorch.

Guía práctica de ajuste de hiperparámetros: cómo funciona, principales métodos de búsqueda (grid, aleatorio, bayesiano), estrategias de evaluación y cómo ejecutarlo en Python y R.

Conoce el algoritmo de aprendizaje por refuerzo sin modelo más popular con un tutorial en Python.

Descubre qué es la regresión lineal, para qué sirve y cómo implementarla con scikit-learn. Incluye ejemplos prácticos.

Descubre cómo una canalización MLOps de extremo a extremo predice los resultados del Mundial 2026, desde el reentrenamiento automático y DVC hasta una simulación de Monte Carlo de 10.000 ejecuciones del cuadro.