Estos son mis apuntes de Fundamentos Prácticos de Machine Learning. Aquí encontrarás una breve introducción a las librerías que usamos en Data Science, algoritmos supervisados y no supervisados en Python y también el entrenamiento de una red neuronal para clasificar imágenes.
Dividí el repositorio en varias carpetas para tener más orden.
Aquí hay una descripción muy general de las liberías que usaremos. Como estos apuntes no son del uso de librerías, quizá te parezca muy básico. Sin embargo, cada una tiene sus particularidades y te recomiendo profundizar en ellas si aún sientes que no tienes el conocimiento necesario.
Para hacerlo puedes revisar estos recursos:
- Guía definitiva para dominar NumPy
- Análisis de datos con Pandas
- Documentación de Scikit-Learn
- Librerías de Python que usarás en Ciencia de Datos 📊
Este directorio contiene una explicación sencilla sobre Regresión Lineal y Regresión logística. También llevamos
todo esto a código usando Scikit-Learn.
Te comparto algunos artículos que escribí sobre regresión lineal:
- De dónde viene el algoritmo de regresión lineal
- Regresión lineal: haciendo predicciones con Scikit-Learn
Aquí entenderás cómo funciona un árbol de decisión y lo llevaremos a código. También generaremos una imagen para visualizar las decisiones que se toman.
Seguimos con el aprendizaje no supervizado. Aquí entrenamos un modelo para agrupar datos del dataset iris. Usamos el método de codo para encontrar el número correcto de clusters.
En esta carpeta está el entrenamiento de una red neuronal usando TensorFlow. El objetivo es crear un clasificador de imágenes.
datasets tiene los datos con los que trabajamos. images es la imagen del árbol de decisión. recomendaciones finales
son algunas sugerencias para analizar correctamente un problema y aplicar un modelo.
Si este repositorio te fue útil, no olvides hacer un fork o darle star. ⭐