Gradiente Descendiente para aprendizaje automático

Gradiente Descendiente para aprendizaje automático

El gradiente descendiente es la base de aprendizaje en muchas técnicas de machine learning. Por ejemplo, es fundamental en deep learning para entrenar redes neuronales. También es necesario para la regresión logística. Y en muchos casos, al hacer regresión lineal o polinómica es mejor usar el método del gradiente descendiente que el de los mínimos cuadrados. Repasemos el Error Cuadrático Medio Como vimos, el error cuadrático medio es un forma

Redes neuronales desde cero (I) – Introducción

Redes neuronales desde cero (I) – Introducción

En este primer post de una serie de tres, hablaremos de una de las ramas más importantes del Machine Learning y la Inteligencia Artificial, las redes neuronales. Abordaremos este tema desde cero, empezando por la historia de las redes neuronales, sus conceptos básicos, nos adentraremos en las matemáticas que están involucradas en ellas e implementaremos un ejemplo de Redes Neuronales desde cero para reconocer cierto tipo de patrones en imágenes.

Análisis Descriptivo, Predictivo y Prescriptivo de datos

Análisis Descriptivo de las Tendencias de las búsquedas en Google en 2018

Hay tres tipos de análisis de datos que podemos realizar: descriptivo, predictivo y prescriptivo. Veamos en qué consiste cada uno de ellos y cómo combinarlos. Análisis Descriptivo El análisis descriptivo se ocupa de estudiar el pasado. Como el nombre indica, el análisis descriptivo se usa para describir lo que ha pasado. Hay varias formas de describir el pasado: Usando estadísticas fáciles de entender, en plan: mínimo, máximo, media, mediana, cuartiles,

Regresión Polinómica en Python con scikit-learn

Regresión Polinómica

En algunas ocasiones nos encontraremos con datos que siguen una función polinómica. En estos casos, el mejor modelo que podemos usar es la regresión polinómica. Este artículo explica la teoría detrás de la regresión polinómica y cómo usarla en python. Regresión Polinómica – Teoría La regresión polinómica es, en realidad, una regresión lineal. El truco está en: Calcular atributos polinómicos Usar la regresión lineal que ya hemos visto. Vamos a

Contraste de Hipótesis 1 – ¿cómo no aceptar lo falso?

Contraste de Hipótesis 1 – ¿cómo no aceptar lo falso?

El contraste de hipótesis es una de las técnicas estadísticas más conocidas para juzgar si una determinada propiedad de una población es compatible con lo que podemos observar obteniendo una muestra de esta población. Un poco de estadística básica Vayamos poco a poco. Para comprender la base de la técnica del contraste de hipótesis, necesitamos repasar apenas unos cuantos términos sencillos de estadística. Población estadística: es el conjunto completo que

EU Datathon 2019 – certamen de datos abiertos

EU Datathon 2019 – certamen de datos abiertos

EU Datathon 2019 EU Datathon 2019 es un certamen que tiene como objetivo fomentar el uso de los datos abiertos que proporciona la Unión Europea. El certamen permite a los concursantes mostrar sus habilidades en la utilización de los datos y también sus ideas innovadoras. Además, les ofrece la oportunidad de establecer contactos y encontrar apoyo para seguir desarrollando sus ideas después del certamen. Se invita a los participantes a desarrollar

Regresión Lineal con ejemplos en Python

Regresión Lineal con ejemplos en Python

La regresión lineal es una de las técnicas más usadas en Machine Learning. Su fortaleza estriba en su simplicidad e interpretabilidad. La regresión polinómica, como ya veremos, es una extensión de la regresión lineal. Regresión Lineal – Teoría La regresión lineal es una técnica paramétrica de machine learning. Con «paramétrica» queremos decir que incluso antes de mirar a los datos, ya sabemos cuántos parámetros (o coeficientes) vamos a necesitar. En

Librerías de Python para Machine Learning

Bokeh es una librería de python para visualizar datos de forma interactiva en un navegador web

El lenguaje de programación Python está adquiriendo muchísima popularidad en el mundo de Machine Learning. En parte, esto se debe a la disponibilidad de una gran cantidad de librerías para visualización, cálculo numérico, análisis de datos, aprendizaje automático y deep learning. Las librerías de python que vamos a ver son gratuitas. También hay otros lenguajes de programación que también están indicados para el aprendizaje automático, por ejemplo R. Sin embargo,

Análisis de Errores en Machine Learning

El alto error de entrenamiento indica que el modelo de machine learning es demasiado simple

El análisis de errores es una de las fases del proceso de machine learning más importantes. El análisis de errores nos va a permitir saber qué hacer para mejorar el rendimiento de un modelo de machine learning. Para analizar errores, nos vamos a concentrar en los errores entrenamiento y los errores de generalización. En particular: Nos aseguraremos que el modelo de machine learning sea capaz de aprender. Para ello procuraremos

Generalización en Machine Learning

Separación de datos en los conjuntos de Entrenamiento y Testeo

En Machine Learning, la Generalización es la capacidad de obtener buenos resultados con datos nuevos. En este artículo vamos a hablar de por qué es tan importante la generalización y cómo medirla. Intuición gráfica de la Generalización en Machine Learning Para explicar el concepto de generalización, vamos a intentar usar un ejemplo gráfico y usar el error cuadrático medio. Una vez que tengamos la intuición gráfica, será más fácil describir