Contenido:

• 1 Cómo usar el aprendizaje de máquina - Video Series
• 2 Cómo desarrollar sistemas basados en aprendizaje de máquina - Video Quiz
• 3 Introducción a Jupyter Notebook - Código Python
• 4 Aprendizaje de máquina con Python - Código Python
• 5 Cuándo usar aprendizaje de máquina y cuándo no - Texto

Tiempo aproximado: 45 min

Introducción

1 Cómo usar el aprendizaje de máquina

 Qué es el Aprendizaje de Máquina

Para qué sirve el Aprendizaje de Máquina

Conclusión

2 Cómo desarrollar sistemas basados en aprendizaje de máquina para ciencia de datos

3 Introducción a Jupyter Notebook con Python

Todas las prácticas con código están en notebooks de python en Google Colaboratory. En este primer código te familiarizaras con esta herramienta. ¡Manos al código!

Ir a Google Colab

4 Aprendizaje de Máquina con Python

Sigue los pasos del siguiente Colab para resolver el problema sobre otorgamiento de préstamos. Después responde las preguntas del quiz.

Ir a Google Colab

5 Cuándo Usar Aprendizaje de Máquina y Cuando No

El Aprendizaje de Máquina (AM) no es una solución a todos los tipos de problemas. Hay algunos casos en los que se pueden crear soluciones robustas sin usar AM. Por ejemplo, si puedes determinar el resultado o decisión programando reglas simples, cálculos o procedimientos bien definidos, el AM no es necesario.

Cuándo usar AM

1. Cuando no puedes programar reglas simples. Si hay muchos factores y muchas reglas, es mejor usar AM. Por ejemplo, reconocer spam en tu bandeja de entrada. Sería imposible para un humano evaluar cada posible regla para cada posible salida o respuesta.
2. Cuando no puedes escalar. Si es imposible que un humano haga la tarea debido a la cantidad o velocidad a la que se deben de tomar las decisiones. Por ejemplo, clasificar cada correo como spam o no.

Cuándo NO usar AM

Hay algunas preguntas que puedes hacerte para determinar si vale la pena pensar en una solución de AM.

1. ¿Tienes suficientes datos? La razón por la revolución del AM es 1) la cantidad de datos, y 2) el poder de cómputo. Si no tienes suficientes datos, el sistema no aprenderá o estará sesgado.
2. ¿Los datos son muy ruidosos? Si no hay forma de limpiar los datos, puede haber problemas.
3. ¿Tienes tiempo, y dinero para invertir? En especial para la recolección de datos, y su limpieza que es alrededor del 80% del tiempo y esfuerzo de un desarrollo de AM.
4. El problema que quieres resolver es simple.

Comenta: ¿Cuál es tu problema? ¿Qué decisión debe ser automatizada? ¿Qué datos podrías usar?