En este capítulo, definiremos el machine learning y su relación con la ciencia de datos y la inteligencia artificial.  A continuación, desentrañaremos la jerga del machine learning y terminaremos con el flujo de trabajo del machine learning para construir modelos.

¿Qué es el machine learning?

Generar recomendaciones de películas

La IA, la ciencia de datos y el machine learning entran en un bar…

¿Qué hay de cierto sobre el machine learning?

Conceptos del machine learning

Jerga del machine learning

Supervisado frente a no supervisado

Flujo de trabajo del machine learning

Pasos para construir un modelo

Un verdadero paso

Ahora que conoces los fundamentos del machine learning, vamos a profundizar un poco más. Al final de este capítulo, conocerás los distintos tipos de machine learning y la forma de evaluar y mejorar tus modelos.

Aprendizaje supervisado

Calentamiento

Tareas

Clasificación

Regresión

Regresión con clase

Aprendizaje no supervisado

Supervisado

No supervisado

No necesitamos supervisión

Haz clústeres con todos

Evaluar el rendimiento

Verdadero

Falso

¿Verdadero o falso?

Tierra de confusión

Mejorar el rendimiento

Opciones

Optimización de hiperparámetros

Reducción de dimensionalidad

Métodos de ensamble

Es un largo camino hasta la cima

Explora la optimización de hiperparámetros

Modelos de machine learning

En este capítulo, desentrañaremos el aprendizaje profundo empezando por las redes neuronales. A continuación, examinaremos más detenidamente dos casos de uso habituales del aprendizaje profundo: la visión artificial y el procesamiento de lenguajes naturales. Terminaremos el curso discutiendo los límites y peligros del machine learning.

Aprendizaje profundo

¿Qué es el aprendizaje profundo?

¿Debo utilizar el aprendizaje profundo?

Visión artificial

Datos de imagen

El proceso

Procesamiento del lenguaje natural

Análisis de sentimiento

Clasificar las tareas de machine learning

Bolsa de palabras

Límites del machine learning

¿Caja negra o no caja negra?

Detectar el sesgo en el machine learning

¡Enhorabuena!

¿Qué hay detrás del bombo del machine learning? En este curso no técnico, aprenderás todo lo que te ha dado miedo preguntar sobre el machine learning. No hace falta programar. Los ejercicios prácticos te ayudarán a superar la jerga y a aprender cómo esta apasionante tecnología lo impulsa todo, desde los vehículos autónomos hasta tus sugerencias personales de compra en Amazon.

¿Cómo funciona el machine learning, cuándo puedes utilizarlo y cuál es la diferencia entre IA y machine learning? Lo veremos todo. Adquiere competencias en este campo tan influyente y demandado y descubre por qué el machine learning es para todos.


<h2>Obtén una Introducción a los Conceptos de Aprendizaje Automático</h2> 
¿Qué hay detrás del bombo del machine learning? En este curso no técnico, aprenderás todo lo que te ha dado miedo preguntar sobre el machine learning. No hace falta programar.
<br><br>
Explorarás conceptos básicos pero esenciales para iniciar tu andadura en el aprendizaje automático, utilizando ejercicios prácticos para afianzar tus conocimientos. Esto incluye desarrollar una comprensión más allá de la jerga y aprender cómo esta apasionante tecnología impulsa todo, desde los coches autoconducidos hasta tus sugerencias personales de compra en Amazon. 
<br><br>
<h2>Explora los Conceptos Básicos del Aprendizaje Automático</h2> 
¿Cómo funciona el machine learning, cuándo puedes utilizarlo y cuál es la diferencia entre IA y machine learning? Este curso abarca todos estos temas.
<br><br>
Empezarás desentrañando qué es el aprendizaje automático, explorando su definición básica y su relación con la ciencia de datos y la inteligencia artificial. Después, te familiarizarás con su vocabulario y terminarás con el flujo de trabajo del aprendizaje automático para construir modelos.
<br><br>
Terminamos el curso profundizando en el aprendizaje profundo. Explorarás dos casos de uso habituales del aprendizaje profundo: la visión por ordenador y el procesamiento del lenguaje natural (PLN), y reconocerás los límites y peligros del aprendizaje automático.

Curso de introducción al aprendizaje automático de dos horas. Conceptos clave: vocabulario, modelos y aprendizaje profundo.

Comprender el machine learning

Una introducción al aprendizaje automático sin codificación.

Fundamentos de la IA

Comprender los temas de datos

Las matrices de confusión se utilizan para evaluar el rendimiento de la clasificación.

Evaluar el rendimiento de un modelo de aprendizaje no supervisado es más complicado y depende de tus objetivos originales.

Un falso positivo es un valor que se predijo como positivo, cuando en realidad es negativo.

La exactitud es siempre un parámetro informativo y útil.

Un falso negativo es un valor que se predijo como positivo, cuando en realidad es negativo.

¿Verdadero o falso?

Comprender el machine learning

Ejercicio interactivo práctico