Blog sobre las tecnologías más utilizadas del momento como: Big Data, Machine Learning e IA, además de las herramientas de programación y bibliotecas de Python, Tensorflow, Scykit-learn entre muchos otros!.
Python para Machine Learning es uno de los lenguajes de programación más utilizados por los desarrolladores de Machine Learning e Inteligencia Artificial, y por una buena razón. Cuando los seres humanos aprenden algo nuevo, normalmente lo hacen reconociendo patrones mediante una combinación de experiencia y educación. Las máquinas también pueden aprender y aplicar ese aprendizaje
Aprenda a crear y entrenar su primer modelo de clasificación de imágenes con TensorFlow y Keras utilizando una red neuronal convolucional. La IA ha llegado tan lejos ahora y están evolucionando varios modelos de IA de última generación que se utilizan en chatbots, robots humanoides, automóviles autónomos, etc. Se ha convertido en la tecnología de
En este artículo, vamos a desglosar el reinforcement learning y analizaremos algunos de los componentes que se unen para crear un sistema de reinforcement learning. ¿Qué es el aprendizaje de refuerzo (Reinforcement learning)? Si nunca antes has oído hablar del aprendizaje de refuerzo o reinforcement learning, ¡no te preocupes! El concepto es muy sencillo. A
Light Bulb es una herramienta que nos ayuda a entrenar, etiquetar, probar y desplegar modelos de aprendizaje automático sin ningún tipo de codificación. Vaya directamente al proyecto Github aquí . Supongamos que queremos crear una aplicación para compartir fotos, por ejemplo algo así como CatSnap que permite a sus usuarios enviar fotos de gatos, y
Casi cualquier cosa se puede convertir en datos. Desarrollar una comprensión profunda del aprendizaje automatico ejemplos y sus diferentes tipos de datos es un requisito previo crucial para realizar el análisis exploratorio de datos (EDA) y la ingeniería funcional para modelos de aprendizaje automático. También necesita convertir tipos de datos de aprendizaje automático de algunas
Funciones de pérdida en Machine Learning y optimizaciones Las máquinas aprenden mediante una función de pérdida. Es un método para evaluar qué tan bien un algoritmo específico modela los datos otorgados. Si las predicciones se desvían demasiado de los resultados reales, la función de pérdida en Machine Learning arrojaría un número muy grande. Poco a
Pendiente de gradiente para aprendizaje automático La optimización es el ingrediente más esencial en la receta de algoritmos de aprendizaje automático. Comienza con la definición de algún tipo de función de pérdida / función de costo y finaliza minimizando el uso de una u otra rutina de optimización. La elección del algoritmo de optimización puede
Recientemente tuve la oportunidad de utilizar una solución para abordar las Fake News con Machine Learning para abordar un problema que está en la vanguardia de los medios de comunicación estadounidenses, la dificultad de reconocer noticias falsas. Específicamente, apliqué dos enfoques para las Fake News con Machine Learning para identificar artículos noticiosos deliberadamente engañosos: regresión
En este post veremos: ¿Qué es Regularización en Machine Learning?. Como por ejemplo Regulaciones Lasso (L1) vs Ridge (L2). Los siguientes son los diversos pasos que caminaremos juntos y trataremos de obtener una comprensión. Contexto. Requisitos previos. Problema de sobreajuste. Objetivo. ¿Qué es Regularización en Machine Learning?. Regularización en Machine Learning de la norma L2
No solo lea sobre aprendizaje automático: ¡practíquelo! Después de invertir mucho tiempo y dinero en cursos, libros y videos, he llegado a una conclusión: la forma más efectiva de aprender ciencia de datos es mediante haciendo proyectos de ciencia de datos. Leer, escuchar y tomar notas es valioso, pero no es hasta que resuelves un