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
Cómo implementar Regresión Logística desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/03%20Logistic%20Regression
Cómo implementar Regresión Logística desde cero con Python
El video explica cómo implementar la regresión logística desde cero con Python, utilizando la función sigmoide para crear probabilidades y entropía cruzada como función de error. El instructor comparte instrucciones paso a paso para calcular predicciones, gradientes y actualizar sesgos a través de iteraciones. También demuestran cómo cargar un conjunto de datos de cáncer de mama y entrenar el clasificador de regresión logística para predecir si un tumor es maligno o benigno. El video concluye evaluando la precisión del modelo usando una función personalizada. En general, la implementación es exitosa y demuestra que el algoritmo de regresión logística funciona bien.
Cómo implementar árboles de decisión desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/04%20Decision%20Trees
Cómo implementar árboles de decisión desde cero con Python
El video proporciona una guía paso a paso sobre cómo construir un árbol de decisiones desde cero usando Python. El orador explica el concepto de árboles de decisión, cómo funcionan y cómo se construyen. Analizan los criterios de detención, la función de crecimiento del árbol, las funciones auxiliares "etiqueta más común", "ganancia de información", "entropía" y "división", así como la función de predicción. El orador también demuestra cómo calcular la ganancia de información, la entropía ponderada y la precisión. Además, prueban el modelo de árbol de decisiones y proporcionan a los espectadores un enlace a su repositorio de GitHub donde está disponible el código.
Cómo implementar Random Forest desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/05%20Random%20Forests
Cómo implementar Random Forest desde cero con Python
Este video tutorial enseña cómo implementar Random Forests desde cero con Python. Durante el entrenamiento, se selecciona un subconjunto aleatorio del conjunto de datos y se crea un árbol de decisión con este subconjunto. Este proceso se repite para el número de árboles determinados antes de comenzar el algoritmo. Durante la inferencia, la predicción se obtiene de cada árbol y, si es una clasificación, se toma el voto mayoritario de la etiqueta de clase. El orador demuestra cómo implementarlo mediante la creación de una lista que distribuye los árboles de decisión y la agrega a una matriz Numpy. La precisión se puede calcular utilizando el número de valores verdaderos pronosticados correctamente dividido por el número total de valores verdaderos. El orador también habla sobre la cantidad de árboles, la profundidad máxima y la división mínima de la muestra que se puede modificar para lograr una mayor precisión.
Cómo implementar Naive Bayes desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/06%20NaiveBayes
Cómo implementar Naive Bayes desde cero con Python
Este video tutorial se enfoca en implementar Naive Bayes desde cero usando Python. El instructor proporciona una descripción general del teorema de Bayes y la suposición de independencia. Explican cómo calcular la probabilidad a priori y la probabilidad condicional de clase, necesarias para entrenar el algoritmo. El orador también presenta la distribución gaussiana como una forma de modelar las probabilidades. El video demuestra los pasos de entrenamiento y predicción para el algoritmo con código. El instructor prueba el algoritmo en un conjunto de datos de juguete con dos clases, logrando una precisión del 96,5 %. En general, este tutorial es un recurso útil para aquellos interesados en aprender Naive Bayes e implementarlo en Python.
Cómo implementar PCA (Análisis de componentes principales) desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/07%20PCA
Cómo implementar PCA (Análisis de componentes principales) desde cero con Python
El video explica el proceso de implementación del Análisis de Componentes Principales (PCA) desde cero usando Python y Numpy. PCA es una técnica que reduce la dimensionalidad de un conjunto de datos mientras conserva la mayor parte de la información. El instructor recorre los pasos para crear una clase de Python con métodos de ajuste y transformación para realizar PCA en un conjunto de datos. El método de ajuste primero calcula la media y la covarianza de los datos y extrae los vectores propios y los valores propios. El método de transformación luego proyecta los datos en los componentes principales. El orador destaca la importancia de restar medias y clasificar los vectores propios en el proceso. Finalmente, la implementación se prueba en el conjunto de datos de Iris, lo que resulta en una reducción exitosa de la dimensionalidad de cuatro a dos dimensiones.
Cómo implementar Perceptron desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/08%20Perceptron
Cómo implementar Perceptron desde cero con Python
El video tutorial explica la teoría detrás del algoritmo Perceptron, que puede aprender solo patrones linealmente separables para la clasificación binaria usando una función de activación, pesos y entrada. Luego, el presentador describe los pasos necesarios para implementar el modelo Perceptron desde cero en Python seleccionando la tasa de aprendizaje y el número de iteraciones para el algoritmo de optimización y definiendo la función de activación como la función de paso unitario. Después de inicializar los pesos y sesgos, el modelo aprende de los datos de entrenamiento actualizando los pesos y sesgos de acuerdo con la regla de actualización de Perceptron. Finalmente, el presentador evalúa la precisión del modelo mediante la predicción de las etiquetas de clase para los datos de prueba, y la precisión resulta ser del 100 %, lo que indica un aprendizaje exitoso del límite de decisión.
Cómo implementar SVM (Support Vector Machine) desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/09%20SVM
Cómo implementar SVM (Support Vector Machine) desde cero con Python
Las máquinas de vectores de soporte (SVM) tienen como objetivo encontrar un límite de decisión lineal que maximice la separación entre clases, con el aprendizaje del peso durante el entrenamiento. La función de costo implica una pérdida de bisagra que determina qué tan lejos estamos del lado correcto del límite de decisión, con un término de regularización agregado a la compensación que minimiza la pérdida y maximiza la distancia. Se calculan los gradientes, se derivan las reglas de actualización y se inicializan los pesos, mientras que la función de predicción es el resultado de la función lineal. Se proporciona el código para implementar SVM desde cero en Python utilizando las bibliotecas NumPy y Scikit-learn, incluida la prueba de tren de importación y división, conjuntos de datos y el trazado del límite de decisión y los dos hiperplanos que confirman la implementación precisa.
Cómo implementar K-Means desde cero con Python
Código: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/10%20KMeans
Cómo implementar K-Means desde cero con Python
Este video muestra cómo implementar el algoritmo de agrupación en clústeres K-Means desde cero con Python. K-Means es un algoritmo de aprendizaje no supervisado para agrupar datos no etiquetados en k grupos diferentes al actualizar los medios o centroides de forma iterativa hasta que no haya más cambios. El video cubre la inicialización de clústeres vacíos y la configuración de parámetros para la cantidad de clústeres e iteraciones, la actualización de etiquetas y centroides de clústeres y la detención del ciclo de optimización una vez que no hay cambios. El orador también explica la importancia de medir la distancia euclidiana para calcular los centroides más cercanos y proporciona una función de trazado preescrita de Matplotlib para visualizar el proceso de agrupación.
Introducción a la API de OpenAI ChatGPT (GPT-3.5) en Python | Tutorial para principiantes
Introducción a la API de OpenAI ChatGPT (GPT-3.5) en Python | Tutorial para principiantes
El video tutorial explica cómo usar la API de OpenAI ChatGPT (GPT-3.5) en Python para principiantes. El presentador presenta el modelo GPT 3.5 Turbo como una alternativa más económica a DaVinci, que es un modelo de composición que puede generar tanto lenguaje natural como código y no tiene token ni límite total. Luego, el tutorial demuestra cómo registrarse para obtener una cuenta de OpenAI, obtener una clave API y usar la función chat_gpt-completion para mantener un registro de conversación con las entradas del usuario y del sistema. El video también cubre cómo recuperar respuestas, agregar preguntas de seguimiento y modificar el código para mantener la conversación sin interrupciones.
Introducción a la API OpenAI GPT-4 (API oficial de ChatGPT) en Python
Introducción a la API OpenAI GPT-4 (API oficial de ChatGPT) en Python
El video cubre cómo usar la API OpenAI GPT-4 en Python usando la API oficial de ChatGPT. Después de generar una clave API e instalar el paquete python de OpenAI, el usuario puede usar el modelo GPT-4 creando una función y llamando al extremo de OpenAI con el ID del modelo y los registros de conversación. El orador demuestra cómo agregar registros de conversación al argumento del registro de composición, crear una herramienta de línea de comando y usar la API de ChatGPT para generar respuestas. Se alienta a los espectadores a probar la API y suscribirse al canal para videos futuros.