Interesante resumen de ese proceso tan tedioso Doctor. Muchas gracias, Sería agradable también que nos compartiera su conocimiento en el diseño de la arquitectura de, en este caso, la red neuronal, para tener una idea de la cantidad de capas, la cantidad de neuronas por capa, el tipo de neuronas, etc.
Buen video Miguel. Hay que hacer crecer la comunidad de ML/DL en espaniol! Aunque ya subo videos de DL recurrentemente, estoy a punto de entrar a la divulgacion pero mas orientada a modelos SOTA con un nivel tecnico muy alto. Hay un par de preguntas que te queria hacer: Para hacer tus ilustraciones usas powerpoint? Algun consejo que recomiendes en la divulgacion? Gracias por tus aportes y un saludo!
Sí, la comunidad debe crecer... Hasta el momento es relativamente pequeña. Con respecto a las ilustraciones: las hago en keynote de Mac. Y consejos para la divulgación: todo depende del público al que quieras dirigir tu contenido. Es decir, debes tener claro si ese público serán por ejemplo personas que inician en este mundo o, por el contrario, personas que ya tienen conocimientos avanzados en el área. Este público definirá las temáticas y el lenguaje que uses para transmitir tu mensaje. Un saludo!
Hola, gracias por el video! Tengo una duda. Si para escoger el mejor modelo en base a métricas como el rendimiento, tiempo y recursos, cómo tengo que hacer la comparación para decidir cuál es mejor? Puedo asignarles un peso a cada métrica y calcularlo manualmente como una operación matemática o se puede implementar otro algoritmo de ML?
Depende de tus intereses. Por ejemplo, en la academia no suele ser relevante la optimización del modelo para su deployment..basta con que sea muy bueno. Por el contrario, en la industria importa mucho la optimización del deployment para que sea un negocio rentable por consulta, e importa la latencia y memoria. Por ejemplo, para hacer el deploy de chatGPT, openAI usa unos 7500 nodos de kubernetes, lo cual cuesta cientos de Miles de dólares al dia. Así que en estos casos, se sacrifica un poco el desempeño a favor de esas variables. Es recomendable tomar varias métricas de desempeño para evaluar un modelo. En el caso de regresión podrían ser correlación de Pearson y spearman, Mean absolute error, root mean square error, R2 , así como algunas estimaciones de intervalos de incertidumbre. Pero todo eso depende de tus intereses y no es como que exista un consenso para hacer una métrica ponderada
Totalmente de acuerdo con la completa respuesta que dio @gama3181 más abajo. Es decir: cuando ya añades otras variables al problema (tipo de hardware donde estará implementado el modelo, tiempo de cómputo, costo en $$$ de desplegar el modelo, etc.) es difícil definir con antelación una fórmula que te permita ponderar todas estas variables pues todo depende de los detalles particulares de tu problema.
Amigo 2 preguntas de tu curso de ML: 1) Cuanto tiempo dura el curso y 2) El curso tiene por cada tema ejercicios PRACTICOS para el estudiante y no solamente teoria?? Gracias
Hola! En realidad no es un único curso: en la Academia Online (codificandobits.com) tienes disponibles múltiples cursos. En este momento hay 14 cursos disponibles y cada mes se publica un nuevo curso. Lo que tu haces es pagar una membresía mensual de 10 dólares y con esto tienes acceso durante 1 mes a TODOS los cursos que están disponibles. Los cursos tienen diferentes niveles de complejidad, desde aquellos pensados para principiantes (como por ejemplo introducción a la Ciencia de Datos y al Machine Learning) hasta cursos más avanzados (como cursos de Deep Learning y Aprendizaje por Refuerzo). Y finalmente: hay cursos tanto teóricos como teórico-prácticos o totalmente prácticos. Estos dos últimos tipos de curso tienen ejercicios y proyectos prácticos (en Python) donde se aplican varios de los conceptos teóricos que vayamos aprendiendo. Como parte de la membresía puedes descargar el código fuente para este componente práctico. Coméntame si tienes alguna duda adicional. Un saludo!
Miguel: ¿Es posible que la Red Neuronal llegue a ofrecer un rendimiento menor que la Maquina de Soporte Vectorial o el Árbol de Decisión? Dejando de lado el tema tiempo de maquina y espacio ocupado, solo el indicador de rendimiento.
Claro que sí, es posible. En realidad las Redes Neuronales no siempre son la solución más adecuada pues los datos juegan un papel importante. Es decir, dependiendo de las características de los datos, podremos tener modelos que se ajustan mejor a dichas características y por tanto pueden resultar más adecuados que las Redes Neuronales. Aunque sí podemos hacer una generalización: las Redes Neuronales siempre funcionarán mejor que otras arquitecturas (como las máquinas de soporte vectorial o los árboles de decisión) siempre y cuando procesemos datos NO estructurados (texto, audio, imágenes, video). Un saludo!
Yo siempre he tenido esta duda: con la regresuon lineal, en principio, se necesitan cumolir ciertos supuestos oars poder usarse. Pero cuando usas otros regresores como SVR con un kernel RBF o un proceso gaussiano, ya no son mecesarias las premisas de la regresión lineal ?
En general los kernels RBF o los procesos gaussianos son más robustos que la regresión lineal pues son capaces de analizar relaciones no-lineales entre las covariables. Es decir que puedes ver la regresión lineal como un caso particular de los kernels RBF y de los procesos gaussianos. No sé si esto responde a tu pregunta?
@@codificandobits creo que no ... pero muchas gracias por tu respuesta detallada Miguel :) Entonces, los métodos no lineales como XGBoost no requieren de las premisas que si requiere la regresión lineal?
Hola Luis. Claro que sí, en la Academia Online puedes encontrar varios cursos de formación en estas áreas. Puedes ingresar a codificandobits.com y ver toda la oferta. El costo mensual de la suscripción es 10 dólares/mes. Si tienes alguna duda adicional me puedes contactar a codificandobits.com/contacto. Saludos!
🔥🔥Academia Online: cursos.codificandobits.com/ 🔥🔥
🔥🔥Asesorías y formación personalizada: www.codificandobits.com/servicios/ 🔥🔥
gracias !
Agradecido profesor 🙋♀️.
Interesante resumen de ese proceso tan tedioso Doctor. Muchas gracias, Sería agradable también que nos compartiera su conocimiento en el diseño de la arquitectura de, en este caso, la red neuronal, para tener una idea de la cantidad de capas, la cantidad de neuronas por capa, el tipo de neuronas, etc.
Qué buena sugerencia! Claro que sí, tomo nota para un video con un tutorial detallado. Saludos!
Buen video Miguel. Hay que hacer crecer la comunidad de ML/DL en espaniol!
Aunque ya subo videos de DL recurrentemente, estoy a punto de entrar a la divulgacion pero mas orientada a modelos SOTA con un nivel tecnico muy alto.
Hay un par de preguntas que te queria hacer: Para hacer tus ilustraciones usas powerpoint? Algun consejo que recomiendes en la divulgacion?
Gracias por tus aportes y un saludo!
Sí, la comunidad debe crecer... Hasta el momento es relativamente pequeña.
Con respecto a las ilustraciones: las hago en keynote de Mac. Y consejos para la divulgación: todo depende del público al que quieras dirigir tu contenido. Es decir, debes tener claro si ese público serán por ejemplo personas que inician en este mundo o, por el contrario, personas que ya tienen conocimientos avanzados en el área. Este público definirá las temáticas y el lenguaje que uses para transmitir tu mensaje.
Un saludo!
Hola, gracias por el video!
Tengo una duda. Si para escoger el mejor modelo en base a métricas como el rendimiento, tiempo y recursos, cómo tengo que hacer la comparación para decidir cuál es mejor? Puedo asignarles un peso a cada métrica y calcularlo manualmente como una operación matemática o se puede implementar otro algoritmo de ML?
Con rendimiento me refiero desempeño al hacer las predicciones* como en el vídeo.
Depende de tus intereses. Por ejemplo, en la academia no suele ser relevante la optimización del modelo para su deployment..basta con que sea muy bueno. Por el contrario, en la industria importa mucho la optimización del deployment para que sea un negocio rentable por consulta, e importa la latencia y memoria. Por ejemplo, para hacer el deploy de chatGPT, openAI usa unos 7500 nodos de kubernetes, lo cual cuesta cientos de Miles de dólares al dia. Así que en estos casos, se sacrifica un poco el desempeño a favor de esas variables.
Es recomendable tomar varias métricas de desempeño para evaluar un modelo. En el caso de regresión podrían ser correlación de Pearson y spearman, Mean absolute error, root mean square error, R2 , así como algunas estimaciones de intervalos de incertidumbre. Pero todo eso depende de tus intereses y no es como que exista un consenso para hacer una métrica ponderada
Totalmente de acuerdo con la completa respuesta que dio @gama3181 más abajo.
Es decir: cuando ya añades otras variables al problema (tipo de hardware donde estará implementado el modelo, tiempo de cómputo, costo en $$$ de desplegar el modelo, etc.) es difícil definir con antelación una fórmula que te permita ponderar todas estas variables pues todo depende de los detalles particulares de tu problema.
Amigo 2 preguntas de tu curso de ML: 1) Cuanto tiempo dura el curso y 2) El curso tiene por cada tema ejercicios PRACTICOS para el estudiante y no solamente teoria?? Gracias
Hola!
En realidad no es un único curso: en la Academia Online (codificandobits.com) tienes disponibles múltiples cursos. En este momento hay 14 cursos disponibles y cada mes se publica un nuevo curso.
Lo que tu haces es pagar una membresía mensual de 10 dólares y con esto tienes acceso durante 1 mes a TODOS los cursos que están disponibles.
Los cursos tienen diferentes niveles de complejidad, desde aquellos pensados para principiantes (como por ejemplo introducción a la Ciencia de Datos y al Machine Learning) hasta cursos más avanzados (como cursos de Deep Learning y Aprendizaje por Refuerzo).
Y finalmente: hay cursos tanto teóricos como teórico-prácticos o totalmente prácticos. Estos dos últimos tipos de curso tienen ejercicios y proyectos prácticos (en Python) donde se aplican varios de los conceptos teóricos que vayamos aprendiendo. Como parte de la membresía puedes descargar el código fuente para este componente práctico.
Coméntame si tienes alguna duda adicional. Un saludo!
Miguel: ¿Es posible que la Red Neuronal llegue a ofrecer un rendimiento menor que la Maquina de Soporte Vectorial o el Árbol de Decisión? Dejando de lado el tema tiempo de maquina y espacio ocupado, solo el indicador de rendimiento.
Claro que sí, es posible. En realidad las Redes Neuronales no siempre son la solución más adecuada pues los datos juegan un papel importante.
Es decir, dependiendo de las características de los datos, podremos tener modelos que se ajustan mejor a dichas características y por tanto pueden resultar más adecuados que las Redes Neuronales.
Aunque sí podemos hacer una generalización: las Redes Neuronales siempre funcionarán mejor que otras arquitecturas (como las máquinas de soporte vectorial o los árboles de decisión) siempre y cuando procesemos datos NO estructurados (texto, audio, imágenes, video).
Un saludo!
Yo siempre he tenido esta duda: con la regresuon lineal, en principio, se necesitan cumolir ciertos supuestos oars poder usarse. Pero cuando usas otros regresores como SVR con un kernel RBF o un proceso gaussiano, ya no son mecesarias las premisas de la regresión lineal ?
En general los kernels RBF o los procesos gaussianos son más robustos que la regresión lineal pues son capaces de analizar relaciones no-lineales entre las covariables.
Es decir que puedes ver la regresión lineal como un caso particular de los kernels RBF y de los procesos gaussianos.
No sé si esto responde a tu pregunta?
@@codificandobits creo que no ... pero muchas gracias por tu respuesta detallada Miguel :) Entonces, los métodos no lineales como XGBoost no requieren de las premisas que si requiere la regresión lineal?
Hola , . Bueno, elegido el modelo. ¿que hago con él? slds
Genial tus video, qusiera un curso, bootcamp como quieras llamarlo contigo, es posible?
Hola Luis. Claro que sí, en la Academia Online puedes encontrar varios cursos de formación en estas áreas.
Puedes ingresar a codificandobits.com y ver toda la oferta. El costo mensual de la suscripción es 10 dólares/mes.
Si tienes alguna duda adicional me puedes contactar a codificandobits.com/contacto.
Saludos!