Repositorio Oficial del curso de Machine learning y del material que vamos a trabajar. La lista de repruducción del curso en video se encuentra en : https://www.youtube.com/playlist?list=PLar_Hmbx3oKoK-xl8UZcW03hDTXJd5B9E
Introducción al curso (2021-1): primera clase ( https://www.dropbox.com/sh/twsfovg8190qnli/AACkj20GL79Z4avsW29zZh_Pa?dl=0)
Ejemplo de uso de las herramientas a usar en el curso: Segunda clase ( https://www.dropbox.com/sh/twsfovg8190qnli/AACkj20GL79Z4avsW29zZh_Pa?dl=0)
Definiciones y glosario del curso(2021-1):
- Acceder a un jupyter Notebook de manera gratuita:
- https://colab.research.google.com/ ni idea que maquina den pero son bastante buenas (https://colab.research.google.com/notebooks/gpu.ipynb) va a ser la opción por defecto para este curso.
- https://notebooks.azure.com/ (es necesario crear una cuenta, ustedes pueden hacerlo como estudiantes. el proceso no es trivial en mi opinion, pero tiene ventajas y es que es uno de los ambientes empresariales por defecto. )
- https://mybinder.org/ dan 2 GB de ram no hay muchos detalles de la máquina
- https://www.kaggle.com/notebooks ver en especial los kaggle kernels dan un cpu seguramente virtual de 4 núcleos y 17 GB de RAM
- https://cocalc.com/ (personalmente no lo he probado, pero soporta un monton de lenguajes incluso terminales completas de linux y soporte a X11)
- https://datalore.jetbrains.com/ tampoco lo he probado, pero dan una maquina gratis de 2 cores y 4GB de ram y 10 GB de HDD.
- Hay varios reviews de estos servicios online por ejemplo: https://docs.google.com/spreadsheets/d/12thaaXg1Idr3iWST8QyASNDs08sjdPd6m9mbCGtHFn0/edit#gid=1505836451
- TAREA NO ENTREGABLE: abrir por lo menos dos cuentas en las anteriores plataformas una en colab y otra en la plataforma de su elección.
Introducción al curso (2020-3): https://web.microsoftstream.com/video/4b301efd-3e6c-4145-a1ee-9f311fbd94a4
Definiciones y glosario del curso(2020-3): https://web.microsoftstream.com/video/ccc7e6aa-a973-4213-89cf-612278d1e38c
Repaso de Probabilidad :https://www.youtube.com/watch?v=8tDOF1f2i8M
Link de taller en clase segunda semana: https://github.com/calderonf/CursoMachineLearning/blob/master/Codigo/Taller_en_clase_Intro_a_la_probabilidad_para_ML_estudiante.ipynb
Preguntas e instalación de anaconda: https://web.microsoftstream.com/video/e08f6545-4415-4d2d-949a-f12f80946d24
Introducción al python Lista de reproducción: https://www.youtube.com/playlist?list=PLar_Hmbx3oKp40i8_mHnbiK_Nw-GVru5F
Link de código de introducción a python: https://github.com/calderonf/CursoMachineLearning/blob/master/Codigo/Curso_Introduccion_al_python.ipynb
La descripción del taller la encuentran en el siguiente video: https://web.microsoftstream.com/video/8e0c7b4a-5994-4edb-9548-fbb780570da3.
Clase Viernes teórica Semana 3: https://www.youtube.com/watch?v=yJ8J0bfgXrI
La presentación y la tabla de excel de anexo lo encuentran en la sección de archivos.
Clase práctica: https://web.microsoftstream.com/video/da3eaa73-195a-4b65-9e61-e8449a340704
Segunda parte de regresión lineal univariada: https://www.youtube.com/watch?v=XvHlS_mFGWQ
Muestra del código base en google colab, https://colab.research.google.com/drive/1NqTz8dU4F29i4yOD9bffwF4ppYDZLcZ4?usp=sharing
Videos de clase de dudas semana 4:
https://www.dropbox.com/s/z4ojx7czcypctn3/SolucionDudas_AI_ClaseSemana4_1.mp4?dl=0
https://www.dropbox.com/s/wa8vi54hyf048e2/SolucionDudas_AI_ClaseSemana4_2.mp4?dl=0
Tercera parte regresión lineal: https://youtu.be/kiic4zuHDik
Cuarta parte regresión lineal: https://www.youtube.com/watch?v=t_U-cqpKmag
Clase_1_2021-1: https://www.dropbox.com/sh/gdy1kygn7o9ikod/AAA-Z0wTNOqkxib6e0F9ZUcDa?dl=0 Clase_2_2021-2: https://www.dropbox.com/sh/108jx53iu6ulnsk/AACGtrN4QAgXA04lrU8CnYgda?dl=0
Tarea: Averiguar qué es es el "coefficient of determination" Intervalo de valores que toma y explicarlos. Qué significa si da negativo o cero? puede pasar? antes de elevar por supuesto. Hallar el R cuadrado a nuestros datos de resistencia obtenidos a partir de una hipótesis lineal de 2 parámetros, cuanto les da! (opcional) Revisar paquetes de visualización:https://seaborn.pydata.org/tutorial/regression.html. (obligatorio ¯_(ツ)_/¯ )Realizar por lo menos 3 regresiones para los datos de vacunación de Colombia. Suponga usted varias funciones de hipótesis, mida usando r^2, para diferentes funciones de hipótesis. (https://www.kaggle.com/gpreda/covid-world-vaccination-progress). Compare sus resultados. NOTA DE AYUDA: inicie con la regresión lineal, y después puede usar una polinomial de segundo y para terminar una de tercer orden.
Videos clase de dudas semana 5_2020-3: https://www.dropbox.com/s/ar3eynw6ibf0s6k/Grabaci%C3%B3n%20de%20pantalla%202020-09-04%20a%20la%28s%29%208.38.18%20a.%C2%A0m..mov?dl=0
Regresión logística: https://youtu.be/1aHT2sDftYM https://www.dropbox.com/sh/c88ne5auxbv2pyf/AABGs4GW1dqgFDCqYTgYena9a?dl=0 Clasificación Multiclase: https://youtu.be/L3jQXeNIXMI https://www.dropbox.com/sh/89qcj25ivaat9pu/AABu_-dPAyu8QZQDZYPg5L9ra?dl=0
Tarea: Implementar (adecuar) los dos métodos descritos en: https://ml-cheatsheet.readthedocs.io/en/latest/logistic_regression.html#id13 Con los datos en el csv de clasificación en teams en la carpeta semana 6 . Puede descargar el código también en el github del autor, pero por favor leer primero en su totalidad el contenido en el link de arriba. el github del autor es este: https://github.com/bfortuner/ml-glossary Correr el ejemplo multiclase al final de: •https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html Encontrar la derivada de J para un theta cualquiera de la Regresión Logística. Usarla para confirmar las ecuaciones de descenso del gradiente en las presentaciones use los links de ayuda en la presentación. NOTA: POR FAVOR SUBIR UN ARCHIVO PDF CON EL INFORME DE LA TAREA NO SE ACEPTAN .RAR, UNICAMENTE UN PDF CON TODO Y UN .ZIP CON EL CÓDIGO, EL ULTIMO PUNTO PUEDE SER ESCANEADO DE UNA HOJA ESCRITA A MANO. PUEDE ADJUNTAR EL CODIGO EN UN .ZIP PERO ESTE NO SE CALIFICA SI ESTÁ SOLO, A PARTE DEBE ESTAR EL PDF.
K-Means, Parte 1: https://youtu.be/duCdeTh-4yc
K-Means, Parte 2:https://www.youtube.com/watch?v=SO2_am1OeCI KNN: https://www.youtube.com/watch?v=HHsA2ZqIa2M
En windows primero se debe descargar el ejecutable, 64-Bit Graphical Installer (466 MB) simplemente dar doble click con las opciones por defecto, para no tener problemas con otras versiones de python en su sistema puede dejar sin seleccionar la casilla de verificación de instalar en el PATH de windows. es decir las opciones por defecto. Para abrir spyder, jupyer o JupyterLab simplemente basta con abrir anaconda navigator usando el menú de inicio. Si quiere instalar cualquier paquete basta con buscar en el menú de inicio por la terminal de Anaconda Prompt. una vez abierto se sabe que está en la terminal adecuada al ver que esta inicia con un (base). Instalación de módulos La instalación de módulos puede realizarse con pip o con conda, para este curso vamos a usar por ahora scikit-learn, puede instalarlo escribiendo en la terminal : pip install -U scikit-learn
En MacOS primero se debe descargar el ejecutable: 64-Bit Graphical Installer (462 MB) simplemente dar doble click con las opciones por defecto, Para abrir spyder, jupyer o JupyterLab simplemente basta con abrir anaconda navigator buscando en su carpeta de aplicaciones, la ruta de instalación por defecto está en /Users/usuario/opt/anaconda3 Si quiere instalar cualquier paquete basta con abrir su terminal, una vez abierta se sabe que está en la terminal adecuada al ver que esta inicia con un (base). Instalación de módulos La instalación de módulos puede realizarse con pip o con conda, para este curso vamos a usar por ahora scikit-learn, puede instalarlo escribiendo en la terminal : pip install -U scikit-learn
En el poderoso Linux, en especial las distros basadas en debian primero se debe descargar el archivo ejecutable: puede hacerlo abriendo una terminal y escribiendo: $ wget https://repo.anaconda.com/archive/Anaconda3-2020.07-Linux-x86_64.sh obviamente sin el $ esto siempre denota que el comando debe ser escrito en una bash shel Cuando termine de descargar puede ejecutar el instalador desde una terminal escribiendo: $ bash Anaconda3-2020.07-Linux-x86_64.sh siga las instrucciones en pantalla , primero la licencia puede saltarla oprimiendo la tecla q y luego escribiendo yes y enter. puede usar la ruta por defecto en ([/home/usuario/anaconda3] >>>) dando enter en esta parte tal como se especifica en la ayuda:
- Press ENTER to confirm the location
- Press CTRL-C to abort the installation
- Or specify a different location below Al final puede seleccionar en installation finished. Do you wish the installer to initialize Anaconda3 by running conda init? [yes|no] dando simplemente enter, esto no inicializará el entorno de conda al puede hacerlo luego ejecutando el comando si escribe yes esto inicializará el archivo .basrc en su carpeta home para que cargue las variables de entorno necesarias para que se ejecute bien el entorno de anaconda $ /Users/usuario/opt/anaconda3/bin/conda init y reiniciando la consola. Puede abrir Anaconda navigator abriendo en una nnueva consola: (base) usuario@usuario:~$ anaconda-navigator Si quiere instalar cualquier paquete basta con abrir su terminal, una vez abierta se sabe que está en la terminal adecuada al ver que esta inicia con un (base). Instalación de módulos La instalación de módulos puede realizarse con pip o con conda, para este curso vamos a usar por ahora scikit-learn, puede instalarlo escribiendo en la terminal : pip install -U scikit-learn