/Itinerario_MachineLearning

Itinerario Oficial Machine Learning - Saturdays.ai

Primary LanguageJupyter NotebookMIT LicenseMIT

Binder

Itinerario_MachineLearning (work in progress)

Itinerario oficial Machine Learning - Saturdays.ai

Este itinerario está inspirado en los cursos de "Intro to Machine Learning for Coders" de Fast.ai, "ML Course" de ODS, y "Machine Learning for good" de Delta Analytics.

Para trabajar con los notebooks puedes:

  1. clonar en tu equipo este contenido git clone https://github.com/SaturdaysAI/Itinerario_MachineLearning
  2. Ejecutarlo con Google Colab online.
  3. Ejectuarlo con Jupyter online usando mybinder.

Para poder graduarse en el programa AI Saturdays, con la mención "Machine Learning", hay que superar al menos el contenido de este itinerario. Estos ejercicios están pensandos para representar poco más del 50% del contenido de la fase "code2learn" en AI Saturdays, por tanto, en tu ciudad seguro hacéis muchas más cosas y más divertidas, pero haz estos ejercicios para asegurar unos fundamentos fuertes sobre los que luego construirás un proyecto espectacular en la fase "build2learn".

Troncal:

#1 - Cleaning & Exploratory Data Pandas:
Objetivo: familiarizarse con Pandas y Numpy, como limpiar y explorar datos. Estructuras de datos en python. Dinámica: a mitad de la sesión cambia a los fellows de mesa.

#2 - Regression, Decision Trees:
Objetivo: Empezar a entender conceptos básicos, como montar un modelo de ML, empezar a usar sci-kit learn a través de regresiones lineales y árboles de decisión. Dinámicas: Kahoot + premio al equipo que gane el challenge.

(Paso 1) Como desarrollar un modelo:

(Paso 2) Entender como funciona una Regresión lineal:

(Paso 3) Aprender a usar Árboles de decisión:

Opción 1: 

Opción 2:

En Clase:

#3 - FI, Random Forest Deep Dive:
Objetivo: Asentar conceptos de ML, entender gracias a los árboles de decisión como usar Random Forest.

Para profundizar mas en RF:

#4 - Unsupervised learning:
Objetivo: Una vez abordados problemas de aprendizaje supervisado, entender como hacerlo con aprendizaje no-supervisado.

#5 - Neural Networks, Gradient Descent:
Objetivo: entender conceptos básicos de Deep Learning y usarlos para un primer aproach.

#6 - NLP:
Objetivo: entender conceptos básicos de NLP y cómo resolver problemas de NLP

Extras:

Adicional 1 (Algoritmos genéticos):

  • Notebook Algoritmos Genéticos
  • slides
  • video

Adicional 2 (Time Series Analysis):

Adicional 3 (Visualizing Data):

Resto de sesiones hasta el Demo Day están dedicadas a la fase "build2learn", donde construiras un proyecto abierto con impacto social utilizando deep learning, puedes ver proyectos de otras ediciones aqui

Igualmente, sientete libre de compartir o proponer mejoras levantando "issues" o enviando un PR.