logo

Tutorial de aprendizaje automático

Tutorial de ML

El tutorial de aprendizaje automático cubre conceptos básicos y avanzados, especialmente diseñado para atender tanto a estudiantes como a profesionales experimentados.



Este tutorial de aprendizaje automático le ayuda a obtener una sólida introducción a los fundamentos del aprendizaje automático y a explorar una amplia gama de técnicas, incluido el aprendizaje supervisado, no supervisado y de refuerzo.

El aprendizaje automático (ML) es un subdominio de la inteligencia artificial (IA) que se centra en desarrollar sistemas que aprenden (o mejoran el rendimiento) en función de los datos que ingieren. La inteligencia artificial es una palabra amplia que se refiere a sistemas o máquinas que se asemejan a la inteligencia humana. El aprendizaje automático y la IA se discuten con frecuencia juntos y, en ocasiones, los términos se usan indistintamente, aunque no significan lo mismo. Una distinción crucial es que, si bien todo el aprendizaje automático es IA, no toda la IA es aprendizaje automático.

¿Qué es el aprendizaje automático?

El aprendizaje automático es el campo de estudio que brinda a las computadoras la capacidad de aprender sin estar programadas explícitamente. ML es una de las tecnologías más interesantes que jamás hayamos encontrado. Como su nombre indica, le da a la computadora lo que la hace más similar a los humanos: la capacidad de aprender. El aprendizaje automático se utiliza activamente hoy en día, quizás en muchos más lugares de los que cabría esperar.



Artículos recientes sobre aprendizaje automático

Tabla de contenidos

cómo saber el tamaño de la pantalla

Características del aprendizaje automático

  • El aprendizaje automático es una tecnología basada en datos. Gran cantidad de datos generados por las organizaciones a diario. Entonces, al tener relaciones notables en los datos, las organizaciones toman mejores decisiones.
  • La máquina puede aprender de datos pasados ​​y mejorar automáticamente.
  • A partir del conjunto de datos dado, detecta varios patrones en los datos.
  • Para las grandes organizaciones, la marca es importante y será más fácil dirigirse a una base de clientes identificable.
  • Es similar a la minería de datos porque también se ocupa de una gran cantidad de datos.

Introducción :

  1. Comenzando con el aprendizaje automático
  2. Una introducción al aprendizaje automático
  3. ¿Qué es el aprendizaje automático?
  4. Introducción a los datos en el aprendizaje automático
  5. Desmitificando el aprendizaje automático
  6. AA – Aplicaciones
  7. Las mejores bibliotecas de Python para aprendizaje automático
  8. Inteligencia artificial | Una introducción
  9. Aprendizaje automático e inteligencia artificial
  10. Diferencia entre aprendizaje automático e inteligencia artificial
  11. Agentes en Inteligencia Artificial
  12. Diez preguntas básicas de la entrevista sobre aprendizaje automático

Comprender el procesamiento de datos
  • Pitón | Crear conjuntos de datos de prueba usando Sklearn
  • Pitón | Genere conjuntos de datos de prueba para el aprendizaje automático
  • Pitón | Preprocesamiento de datos en Python
  • Limpieza de datos
  • Escalado de funciones: parte 1
  • Escalado de funciones: parte 2
  • Pitón | Codificación de etiquetas de conjuntos de datos
  • Pitón | Una codificación en caliente de conjuntos de datos
  • Manejo de datos desequilibrados con SMOTE y algoritmo Near Miss en Python
  • Trampa de variable ficticia en modelos de regresión
  • Aprendizaje supervisado :

    1. Comenzando con la clasificación
    2. Concepto básico de clasificación
    3. Tipos de técnicas de regresión
    4. Clasificación vs Regresión
    5. aprendizaje automático | Tipos de aprendizaje: aprendizaje supervisado
    6. Clasificación multiclase usando scikit-learn
    7. Descenso de gradiente :
      • Algoritmo de descenso de gradiente y sus variantes.
      • Descenso de gradiente estocástico (SGD)
      • Descenso de gradiente de mini lotes con Python
      • Técnicas de optimización para el descenso de gradiente.
      • Introducción al optimizador de gradiente basado en Momentum
    8. Regresión lineal:
      • Introducción a la regresión lineal
      • Descenso de gradiente en regresión lineal
      • Explicación matemática para el trabajo de regresión lineal.
      • Ecuación normal en regresión lineal
      • Regresión lineal (implementación de Python)
      • Regresión lineal simple usando R
      • Regresión lineal univariada en Python
      • Regresión lineal múltiple usando Python
      • Regresión lineal múltiple usando R
      • Regresión lineal ponderada localmente
      • Modelos lineales generalizados
      • Pitón | Regresión lineal usando sklearn
      • Regresión lineal usando Tensorflow
      • Un enfoque práctico para la regresión lineal simple usando R
      • Regresión lineal usando PyTorch
      • chispa | Regresión lineal usando Apache MLlib
      • aprendizaje automático | Desafío Kaggle de Vivienda de Boston con regresión lineal
    9. Pitón | Implementación de Regresión polinomial
    10. Regresión Softmax usando TensorFlow
    11. Regresión logística :
      • Comprender la regresión logística
      • ¿Por qué la regresión logística en la clasificación?
      • Regresión logística usando Python
      • Función de costo en regresión logística
      • Regresión logística usando Tensorflow
    12. Bayes ingenuo Clasificadores
    13. Vector de soporte:
      • Soporte de máquinas vectoriales (SVM) en Python
      • Ajuste de hiperparámetros SVM usando GridSearchCV
      • Máquinas de vectores de soporte (SVM) en R
      • Uso de SVM para realizar clasificación en un conjunto de datos no lineal
    14. Árbol de decisión:
      • Árbol de decisión
      • Regresión del árbol de decisión usando sklearn
      • Introducción al árbol de decisión con ejemplo
      • Implementación del árbol de decisiones usando Python
      • Árbol de decisión en ingeniería de software
    15. Bosque aleatorio:
      • Regresión de bosque aleatoria en Python
      • Clasificador de conjuntos
      • Clasificador de votación usando Sklearn
      • Clasificador de ensacado

    Aprendizaje sin supervisión :

    1. aprendizaje automático | Tipos de aprendizaje: aprendizaje no supervisado
    2. Aprendizaje supervisado y no supervisado
    3. Agrupación en aprendizaje automático
    4. Diferentes tipos de algoritmos de agrupación
    5. K significa agrupación – Introducción
    6. Método del codo para el valor óptimo de k en KMeans
    7. Trampa de inicialización aleatoria en K-Means
    8. aprendizaje automático | Algoritmo K-medias ++
    9. Análisis de datos de prueba utilizando K-Means Clustering en Python
    10. Algoritmo de agrupamiento de medias K de mini lotes
    11. Agrupación de cambio medio
    12. DBSCAN: agrupación basada en densidad
    13. Implementación del algoritmo DBSCAN usando Sklearn
    14. Agrupación difusa
    15. Agrupación espectral
    16. ÓPTICA Agrupación
    17. Implementación de clustering de OPTICS usando Sklearn
    18. Agrupación jerárquica (aglomeración y división)
    19. Implementación de agrupaciones aglomerativas utilizando Sklearn
    20. Modelo de mezcla gaussiana

    Aprendizaje reforzado:

    1. Aprendizaje reforzado
    2. Algoritmo de aprendizaje por refuerzo: implementación de Python utilizando Q-learning
    3. Introducción al muestreo de Thompson
    4. Algoritmo genético para el aprendizaje por refuerzo
    5. Aprendizaje por refuerzo SARSA
    6. Q-Learning en Python

    Reducción de dimensionalidad :

    1. Introducción a la reducción de dimensionalidad
    2. Introducción a la PCA del núcleo
    3. Análisis de componentes principales (PCA)
    4. Análisis de componentes principales con Python
    5. Aproximaciones de bajo rango
    6. Descripción general del análisis discriminante lineal (LDA)
    7. Explicación matemática del análisis discriminante lineal (LDA)
    8. Análisis Discriminante Generalizado (GDA)
    9. Análisis de componentes independientes
    10. Mapeo de características
    11. Clasificador de árbol adicional para la selección de funciones
    12. Prueba de chi-cuadrado para la selección de funciones: explicación matemática
    13. aprendizaje automático | Algoritmo de incrustación de vecinos estocásticos distribuidos en T (t-SNE)
    14. Pitón | ¿Cómo y dónde aplicar el Feature Scaling?
    15. Parámetros para la selección de funciones
    16. Subadaptación y sobreadaptación en el aprendizaje automático

    Procesamiento natural del lenguaje :

    1. Introducción al procesamiento del lenguaje natural
    2. Preprocesamiento de texto en Python | Serie 1
    3. Preprocesamiento de texto en Python | Conjunto 2
    4. Eliminar palabras vacías con NLTK en Python
    5. Tokenizar texto usando NLTK en Python
    6. Cómo funciona la tokenización de texto, oración y palabras
    7. Introducción a la derivación
    8. Palabras derivadas con NLTK
    9. Lematización con NLTK
    10. Lematización con TextBlob
    11. ¿Cómo obtener sinónimos/antónimos de NLTK WordNet en Python?

    Redes neuronales :

    1. Introducción a las redes neutrales artificiales | Serie 1
    2. Introducción a las redes neuronales artificiales | Conjunto 2
    3. Introducción a las ANN (Redes Neuronales Artificiales) | Conjunto 3 (Sistemas híbridos)
    4. Introducción a las RNA | Conjunto 4 (Arquitecturas de red)
    5. Funciones de activación
    6. Implementación del proceso de capacitación de redes neuronales artificiales en Python
    7. Una red neuronal de una sola neurona en Python
    8. Redes neuronales convolucionales
      • Introducción a la red neuronal convolucional
      • Introducción a la capa de agrupación
      • Introducción al relleno
      • Tipos de relleno en capa convolucional
      • Aplicación de una red neuronal convolucional en un conjunto de datos mnist
    9. Redes neuronales recurrentes
      • Introducción a la red neuronal recurrente
      • Explicación de las redes neuronales recurrentes
      • modelo seq2seq
      • Introducción a la memoria a largo plazo
      • Explicación de las redes de memoria a largo plazo
      • Redes de unidades recurrentes cerradas (GAN)
      • Generación de texto utilizando redes de unidades recurrentes cerradas
    10. GAN: red antagónica generativa
      • Introducción a la red generativa adversaria
      • Redes generativas adversarias (GAN)
      • Casos de uso de redes generativas adversarias
      • Construyendo una red de confrontación generativa usando Keras
      • Colapso modal en GAN
    11. Introducción al Q-Learning profundo
    12. Implementación de Q-Learning profundo usando Tensorflow

    ML – Implementación:

    1. Implemente su aplicación web de aprendizaje automático (Streamlit) en Heroku
    2. Implementar un modelo de aprendizaje automático utilizando la biblioteca Streamlit
    3. Implementar modelo de aprendizaje automático usando Flask
    4. Python: cree interfaces de usuario para crear prototipos de modelos de aprendizaje automático con Gradio
    5. ¿Cómo preparar datos antes de implementar un modelo de aprendizaje automático?
    6. Implementación de modelos ML como API usando FastAPI
    7. Implementación de Scrapy Spider en ScrapingHub

    ML – Aplicaciones:

    1. Predicción de precipitaciones mediante regresión lineal
    2. Identificación de dígitos escritos a mano mediante regresión logística en PyTorch
    3. Diagnóstico de cáncer de mama de Kaggle en Wisconsin mediante regresión logística
    4. Pitón | Implementación del sistema de recomendación de películas
    5. Admite Vector Machine para reconocer rasgos faciales en C++
    6. Árboles de decisión: rompecabezas de monedas falsas (falsificadas) (rompecabezas de 12 monedas)
    7. Detección de fraude con tarjetas de crédito
    8. Análisis PNL de reseñas de restaurantes
    9. Aplicación de Bayes ingenuo multinomial a problemas de PNL
    10. Compresión de imágenes mediante agrupación de K-medias
    11. Aprendizaje profundo | Image Caption Generación usando los personajes de Avengers EndGames.
    12. ¿Cómo utiliza Google el aprendizaje automático?
    13. ¿Cómo utiliza la NASA el aprendizaje automático?
    14. 5 formas alucinantes en las que Facebook utiliza el aprendizaje automático
    15. Publicidad dirigida mediante aprendizaje automático
    16. ¿Cómo utilizan el aprendizaje automático las empresas famosas?

    Varios:

    1. Reconocimiento de patrones | Introducción
    2. Calcular la eficiencia del clasificador binario
    3. Regresión logística versus clasificación del árbol de decisión
    4. R vs Python en ciencia de datos
    5. Explicación de las funciones fundamentales involucradas en el algoritmo A3C
    6. Privacidad diferencial y aprendizaje profundo
    7. Inteligencia artificial versus aprendizaje automático versus aprendizaje profundo
    8. Introducción al aprendizaje multitarea (MTL) para el aprendizaje profundo
    9. Los 10 algoritmos principales que todo ingeniero de aprendizaje automático debería conocer
    10. Máquina virtual Azure para aprendizaje automático
    11. 30 minutos para el aprendizaje automático
    12. ¿Qué es AutoML en el aprendizaje automático?
    13. Matriz de confusión en el aprendizaje automático

    Requisitos previos para aprender el aprendizaje automático

    • Conocimiento de ecuaciones lineales, gráficas de funciones, estadística, álgebra lineal, probabilidad, cálculo, etc.
    • Se recomienda cualquier conocimiento de lenguajes de programación como Python, C++, R.

    Preguntas frecuentes sobre el tutorial de aprendizaje automático

    P.1 ¿Qué es el aprendizaje automático y en qué se diferencia del aprendizaje profundo?

    Respuesta :

    El aprendizaje automático desarrolla programas que pueden acceder a datos y aprender de ellos. El aprendizaje profundo es el subdominio del aprendizaje automático. El aprendizaje profundo admite la extracción automática de características de los datos sin procesar.



    P.2. ¿Cuáles son los diferentes tipos de algoritmos de aprendizaje automático?

    Respuesta :

    • Algoritmos supervisados: estos son los algoritmos que aprenden de los datos etiquetados, p. Imágenes etiquetadas con cara de perro o no. El algoritmo depende de datos supervisados ​​o etiquetados. p.ej. regresión, detección de objetos, segmentación.
    • Algoritmos no supervisados: estos son los algoritmos que aprenden de los datos no etiquetados, p. montón de imágenes dadas para hacer un conjunto similar de imágenes. p.ej. agrupamiento, reducción de dimensionalidad, etc.
    • Algoritmos semisupervisados: algoritmos que utilizan datos tanto supervisados ​​como no supervisados. La mayor parte de los datos utilizados para estos algoritmos no son datos supervisados. p.ej. Detección de anomalías.

    P.3. ¿Por qué utilizamos el aprendizaje automático?

    Respuesta :

    El aprendizaje automático se utiliza para tomar decisiones basadas en datos. Al modelar los algoritmos sobre la base de datos históricos, los algoritmos encuentran patrones y relaciones que son difíciles de detectar para los humanos. Estos patrones ahora se utilizan más como referencias futuras para predecir la solución de problemas invisibles.

    jsp javatpoint

    P.4. ¿Cuál es la diferencia entre Inteligencia Artificial y Aprendizaje Automático?

    Respuesta :

    INTELIGENCIA ARTIFICIAL APRENDIZAJE AUTOMÁTICO
    Desarrollar un sistema inteligente que realice una variedad de trabajos complejos. Construir máquinas que sólo puedan realizar los trabajos para los que han sido entrenados.
    Funciona como un programa que hace un trabajo inteligente. La máquina de sistemas de tareas toma datos y aprende de ellos.
    La IA tiene una amplia variedad de aplicaciones. ML permite que los sistemas aprendan cosas nuevas a partir de los datos.
    La IA lidera la sabiduría. El aprendizaje automático conduce al conocimiento.