Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Lección 9. Comprender los datos experimentales
9. Comprender los datos experimentales
En esta conferencia, el profesor Eric Grimson analiza el proceso de comprensión de datos experimentales, desde la recopilación de datos hasta el uso de modelos para hacer predicciones. Utiliza el ejemplo de un resorte para demostrar la importancia de medir la precisión al predecir relaciones lineales y explora diferentes métodos para medir la bondad del ajuste. Grimson introduce el concepto de regresión lineal y ajustes polinómicos, enfatizando que un valor alto de r-cuadrado no significa necesariamente que un polinomio de orden superior sea la mejor opción. Grimson usa código para optimizar en un espacio de 16 dimensiones, dejando la opción de usar o no este ajuste polinomial para la próxima lección.
Lección 10. Comprender los datos experimentales (continuación)
10. Comprender los datos experimentales (continuación)
En esta sección del video, el presentador enfatiza la importancia de encontrar el modelo correcto para ajustar los datos experimentales, evitando al mismo tiempo el sobreajuste. Se analizan varios métodos, como el uso de la validación cruzada para determinar el equilibrio adecuado entre la complejidad del modelo y la eficacia en la predicción de nuevos datos. El orador brinda ejemplos de modelos de ajuste de diferentes órdenes a datos experimentales y demuestra los efectos del sobreajuste al agregar ruido a los conjuntos de datos. El valor R-cuadrado también se presenta como una herramienta para determinar qué tan bien se ajusta un modelo a los datos. En general, se destaca la importancia de equilibrar la complejidad y la eficacia del modelo para predecir nuevos datos.
Lección 11. Introducción al Aprendizaje Automático
11. Introducción al aprendizaje automático
El video analiza el concepto de aprendizaje automático, cómo funciona y dos formas comunes de hacerlo: aprendizaje supervisado y no supervisado. Luego pasa a mostrar un ejemplo de aprendizaje supervisado: entrenar a una máquina para predecir la posición de los nuevos jugadores de fútbol en función de su altura y peso.
Lección 12. Agrupación
12. Agrupación
Este video revisa el concepto de agrupar puntos de datos en grupos. Explica cómo realizar el agrupamiento utilizando el algoritmo k-means y cómo optimizar el algoritmo para la velocidad. También analiza cómo usar la agrupación en clústeres para diagnosticar problemas con los datos.
Lección 13. Clasificación
13. Clasificación
Este video cubre varios métodos de clasificación, incluido el vecino más cercano, los K-vecinos más cercanos (KNN) y la regresión logística. El presentador demuestra KNN utilizando ejemplos de clasificación de animales y reconocimiento de escritura a mano y explica cómo evita datos ruidosos para proporcionar resultados más confiables. Presentan el conjunto de datos del Titanic y explican la importancia de encontrar el equilibrio adecuado cuando se utilizan métricas como la sensibilidad y la especificidad para evaluar el rendimiento de un modelo de clasificación. Además, el video analiza dos métodos de prueba, dejar uno fuera y submuestreo aleatorio repetido, y cómo aplicarlos a la clasificación KNN. Finalmente, el presentador explica por qué se prefiere la regresión logística a la regresión lineal para problemas de clasificación, destacando su capacidad para asignar diferentes pesos a diferentes variables y brindar información sobre las variables a través de pesos de características.
Lección 14. Clasificación y Pecados Estadísticos
14. Clasificación y Pecados Estadísticos
Este video de YouTube analiza varios pecados estadísticos y de clasificación que pueden llevar a conclusiones incorrectas. Una conclusión clave es la importancia de comprender los conocimientos que se pueden obtener del estudio de los modelos de aprendizaje automático, ya que interpretar los pesos de las variables en la regresión logística puede ser engañoso, especialmente cuando las características están correlacionadas. El video también enfatiza la importancia de evaluar el desempeño de los clasificadores usando el área bajo la curva característica operativa del receptor (AUROC) y evitando la tentación de usar mal los números. Además, se destaca la importancia de escudriñar los datos y evitar el muestreo no representativo, ya que esto puede conducir a pecados estadísticos como basura adentro, basura afuera (GIGO) y sesgo de supervivencia.
MIT 6.0002 Introducción al pensamiento computacional y la ciencia de datos, otoño de 2016. Conferencia 15. Pecados estadísticos y cierre
15. Pecados estadísticos y resumen
En este video, John Guttag analiza los tres tipos principales de pecados estadísticos y brinda un ejemplo de cómo cada uno puede llevar a conclusiones falsas. Insta a los estudiantes a ser conscientes del tipo de datos que están viendo y a usar un intervalo adecuado para asegurarse de que sus conclusiones sean precisas.
Curso intensivo de aprendizaje profundo para principiantes
Curso intensivo de aprendizaje profundo para principiantes
Este video proporciona un curso intensivo sobre aprendizaje profundo, centrándose en algoritmos de aprendizaje supervisado y no supervisado. Cubre los conceptos clave de cada enfoque, incluidos el modelo, el estado, la recompensa, la política y el valor. El principal inconveniente de los modelos de aprendizaje profundo es que pueden sobreajustarse a los datos de entrenamiento, lo que genera una generalización deficiente. Se analizan las técnicas para combatir el sobreajuste, incluido el abandono y el aumento de conjuntos de datos. Este curso introductorio sobre aprendizaje profundo proporciona una descripción general del tema, destacando la importancia de las redes neuronales y el abandono. También explica cómo se puede reducir el sobreajuste al comprender los conceptos básicos del aprendizaje profundo.
Cómo funcionan las redes neuronales profundas - Curso completo para principiantes
Cómo funcionan las redes neuronales profundas - Curso completo para principiantes
00:00:00 - 01:00:00 El video "Cómo funcionan las redes neuronales profundas: curso completo para principiantes" ofrece una explicación completa de cómo funcionan las redes neuronales, desde ecuaciones básicas de regresión lineal hasta redes neuronales convolucionales complejas utilizadas en el reconocimiento de imágenes. El instructor usa ejemplos y ayudas visuales para explicar el funcionamiento de las redes neuronales, incluido cómo las capas de nodos realizan sumas y aplastamientos ponderados para producir resultados, el proceso de retropropagación para ajustar pesos y minimizar errores, y el concepto de redes neuronales convolucionales para reconocer patrones. en imágenes El video también cubre temas como funciones logísticas, perceptrones multicapa y el uso de múltiples funciones de salida para crear clasificadores.
01:00:00 - 02:00:00 El curso sobre cómo funcionan las redes neuronales profundas para principiantes cubre varios temas relacionados con el funcionamiento de las redes neuronales. El instructor del curso analiza la convolución, la agrupación y la normalización y cómo se apilan para formar una red neuronal profunda. La retropropagación también se explica como un proceso utilizado para ajustar los pesos de la red para la reducción de errores. El curso también cubre el uso de vectores, puertas, funciones de aplastamiento y redes neuronales recurrentes en la traducción de secuencia a secuencia. El instructor brinda ejemplos de cómo las redes LSTM predicen la siguiente palabra en una oración y cómo son útiles en los sistemas robóticos al identificar patrones a lo largo del tiempo. Finalmente, el video explica cómo se entrenan las redes neuronales usando descenso de gradiente con retropropagación para ajustar los pesos y reducir el error.
02:00:00 - 03:00:00 El video "Cómo funcionan las redes neuronales profundas: curso completo para principiantes" analiza el rendimiento de las redes neuronales en varios escenarios, comparándolo con la inteligencia a nivel humano. El disertante introduce una definición científica de inteligencia como la capacidad de hacer muchas cosas bien y compara el desempeño y la generalidad de las máquinas y los humanos en una escala logarítmica. El video cubre temas como las limitaciones de las redes neuronales convolucionales en la clasificación de imágenes, el éxito del aprendizaje profundo en los juegos de mesa y la traducción de idiomas, las limitaciones generales de los recomendadores y los autos autónomos, y la creciente complejidad de los robots humanoides. El video destaca el impresionante aumento de inteligencia, generalidad y rendimiento de AlphaZero y aboga por centrarse en la interacción física para crear algoritmos que puedan adaptarse a un conjunto más general de tareas, acercándonos a la inteligencia a nivel humano. Finalmente, el instructor explica el proceso de convolución, agrupación y normalización en redes neuronales convolucionales para reconocer patrones y hacer predicciones precisas.
03:00:00 - 03:50:00 Este video sobre cómo funcionan las redes neuronales profundas lleva a un principiante a través del proceso de categorización de imágenes mediante la construcción de neuronas y capas que reconocen patrones en los valores de brillo de las imágenes. El video cubre el proceso de optimización usando descenso de gradiente y diferentes métodos de optimización como algoritmos genéticos y recocido simulado. El instructor explica cómo minimizar el error y ajustar los pesos a través de la retropropagación y cómo optimizar los hiperparámetros en las redes neuronales convolucionales. Si bien hay muchas herramientas disponibles para crear redes neuronales, sigue siendo importante una comprensión profunda de la preparación de datos, la interpretación y la elección de hiperparámetros.
Parte 1
Parte 2
parte 3
parte 4
Curso de aprendizaje automático para principiantes (partes 1-4)
Curso de aprendizaje automático para principiantes
00:00:00 - 01:00:00 En este video de YouTube sobre un curso para principiantes sobre aprendizaje automático, el instructor explica los conceptos básicos de los algoritmos de aprendizaje automático y sus aplicaciones en el mundo real, cubriendo aspectos tanto teóricos como prácticos. El curso lleva a los alumnos desde los conceptos básicos del aprendizaje automático hasta algoritmos como la regresión lineal, la regresión logística, el análisis de componentes principales y el aprendizaje no supervisado. El video también analiza conjuntos de datos de sobreajuste, ajuste insuficiente y entrenamiento/prueba. El instructor enfatiza la importancia de comprender cómo desarrollar funciones que permitan a los algoritmos de aprendizaje automático analizar datos para crear predicciones. Al final, presenta el algoritmo de descenso de gradiente para optimizar las funciones de costo utilizadas para evaluar el rendimiento.
01:00:00 - 02:00:00 Este curso de aprendizaje automático para principiantes cubre una variedad de temas esenciales en el aprendizaje automático para nuevos estudiantes. El instructor explica la vectorización de la derivada parcial de theta en regresión lineal, ecuación normal, suposiciones de regresión lineal y la diferencia entre características independientes y dependientes. El curso también incluye tareas de clasificación y regresión logística, enseñando la hipótesis para la regresión logística, la función de costo y el gradiente descendente, así como el código de vectorización para la función de costo y el gradiente descendente. Además, el curso presenta las bibliotecas de Python, las técnicas de análisis de datos, la construcción de modelos y la verificación de precisión mediante la regresión lineal. El instructor también cubre las técnicas de regularización y su importancia en el aprendizaje automático para evitar el sobreajuste. El curso cubre la regresión de cresta y lazo, que penaliza los pesos de características de características menos importantes, acercándolos a cero o eliminándolos por completo.
. 02:00:00 - 03:00:00 El "Curso de aprendizaje automático para principiantes" cubre varios temas, como técnicas de regularización, máquinas de vectores de soporte (SVM), clasificación no lineal y exploración de datos. El curso proporciona una introducción a las SVM y explica cómo construyen hiperplanos con márgenes máximos para hacer predicciones mientras clasifican puntos de datos. También se cubre el concepto de clasificación de margen duro y margen blando en SVM junto con sus diferencias. El curso también incluye un proyecto de predicción del precio de las acciones utilizando bibliotecas de Python y explora métricas de evaluación como el error cuadrático medio, el error cuadrático medio y el cuadrado R2 para el modelo de regresión lineal. Los modelos lineales regularizados como Ridge y Lasso también se explican en detalle, junto con la demostración de cómo crear una aplicación simple usando Flask.
03:00:00 - 04:00:00 El video "Curso de aprendizaje automático para principiantes" cubre varios temas relacionados con el aprendizaje automático, como configurar un servidor y un sitio web usando Flask, análisis de componentes principales (PCA), sesgo y comercio de varianza -offs, modelos de regresión y sentencias if-else anidadas. Los instructores enfatizan la importancia de comprender los conceptos de aprendizaje automático y preprocesamiento de datos para datos de texto e imágenes en escenarios del mundo real, y brindan ejemplos prácticos de cómo trabajar con datos de Iris y crear árboles de decisión simples. El video también cubre temas como transformaciones lineales, vectores propios y valores propios, y explica cómo PCA puede reducir las dimensiones de los datos mientras preserva la información. En general, el video proporciona una introducción completa para que los principiantes aprendan sobre el aprendizaje automático y sus aplicaciones.
04:00:00 - 05:00:00 Este video brinda una introducción para principiantes a los árboles de decisión, incluida la terminología básica, cómo construir árboles de decisión usando medidas de selección de atributos como entropía, ganancia de información e impureza de Gini, y cómo los árboles de decisión Se puede utilizar tanto para problemas de clasificación como de regresión. El video también enfatiza la importancia de los hiperparámetros y la comprensión de los árboles de decisión como un concepto crucial en el aprendizaje automático. La siguiente sección analiza el aprendizaje conjunto y sus tres técnicas: bagging, boosting y stacking, que se usan comúnmente en las competencias de Kaggle.
05:00:00 - 06:00:00 Este video de YouTube explica varias técnicas de aprendizaje de conjuntos para mejorar la precisión del modelo de aprendizaje automático. Una de las técnicas populares es la agregación de embolsado o bootstrap, donde se entrenan múltiples modelos en subconjuntos de datos de entrenamiento y se combinan para un mejor rendimiento con el muestreo de filas utilizado para el entrenamiento. El video también cubre bosques aleatorios que utilizan árboles de decisión, embolsado y muestreo de columnas para crear modelos poderosos. Además, el video cubre el impulso, que se utiliza para reducir el sesgo y mejorar la precisión del modelo, lo que se logra mediante la combinación aditiva de alumnos débiles en un modelo sólido. El instructor brinda una descripción general de varios tipos de potenciación, como la potenciación de gradiente y la potenciación adaptativa, por nombrar algunas. El video concluye proporcionando un conjunto de problemas en GitHub para que los espectadores prueben y alienta a los espectadores a suscribirse a su canal para recibir más contenido gratuito.
06:00:00 - 07:00:00 El video "Curso de aprendizaje automático para principiantes" cubre varios temas relacionados con la potenciación, como la idea central detrás de la potenciación, diferentes técnicas de potenciación (p. ej., potenciación de gradiente, potenciación adaptativa y potenciación extrema ), el algoritmo para entrenar un modelo mediante impulso y cómo se puede usar el impulso para reducir el alto sesgo en los modelos de aprendizaje automático. Además, el video analiza la implementación de algoritmos de refuerzo en Python utilizando bibliotecas como scikit-learn y mlx10. El video también aborda el concepto de apilamiento, un método para combinar múltiples modelos para crear un nuevo modelo con mejor rendimiento. El instructor demuestra cómo crear un modelo de clasificación apilado mediante regresión logística, k-vecinos más cercanos, bayesiano ingenuo gaussiano y modelos de bosque aleatorio en Python mediante la biblioteca sklearn.
07:00:00 - 08:00:00 El instructor cubre varios temas en este video, comenzando con el aprendizaje en conjunto y clasificadores de apilamiento. Luego, el enfoque cambia al aprendizaje no supervisado y sus aplicaciones en la agrupación de puntos de datos. El orador explica diferentes tipos de algoritmos de agrupamiento, incluidos los basados en el centro y los basados en la densidad, y brinda una descripción general de las técnicas de evaluación, como el índice de Dunn y el índice de Davies-Bouldin, para evaluar la calidad del modelo de agrupamiento. Finalmente, el orador profundiza en el agrupamiento de k-medias, incluida la inicialización, los centroides, los hiperparámetros y las limitaciones, al tiempo que proporciona una visualización del algoritmo con dos centroides. En general, el video cubre una variedad de conceptos y técnicas de aprendizaje automático, proporcionando una introducción completa al tema.
08:00:00 - 09:00:00 Este video de YouTube titulado "Curso de aprendizaje automático para principiantes" cubre varios temas relacionados con el aprendizaje automático. Una sección se enfoca en el agrupamiento de k-medias y explica el algoritmo en detalle, cubriendo la inicialización de los centroides, la asignación de grupos y la actualización de los grupos hasta la convergencia. El video también presenta K-means++ y el método del codo como soluciones a los problemas que se enfrentan en la inicialización aleatoria. Además, otra sección profundiza en el agrupamiento jerárquico, explicando la creación de una jerarquía de clústeres utilizando métodos de agrupamiento aglomerativo y divisivo. El video concluye discutiendo el proyecto del modelo de predicción de insuficiencia cardíaca, que tiene como objetivo construir un sistema de inteligencia artificial para el cuidado de la salud que ayudará con la detección temprana de problemas de salud para salvar vidas.
09:00:00 - 09:50:00 El video del "Curso de aprendizaje automático para principiantes" cubre varios temas relacionados con el aprendizaje automático, como datos desequilibrados, correlación, ingeniería de funciones, creación y evaluación de modelos y clasificación de texto mediante técnicas de NLP. El instructor enfatiza la importancia de los datos balanceados y visualizar los datos para comprenderlos mejor. El presentador recorre un proceso paso a paso para construir un sistema detector de spam y ham, analizando y comprendiendo los datos, e implementando técnicas de NLP para clasificar los mensajes como spam o ham. El curso brinda una descripción general de los conceptos esenciales que los entusiastas principiantes del aprendizaje automático pueden desarrollar.
Parte 1
Parte 2
parte 3
parte 4