WEBVTT

00:00:02.870 --> 00:00:07.590
>> Bienvenidos de nuevo a los desarrolladores
Introducción a la ciencia de datos.

00:00:07.590 --> 00:00:09.450
Probablemente muchos de ustedes ya están

00:00:09.450 --> 00:00:12.120
familiarizado con la tradición
lógica de programación.

00:00:12.120 --> 00:00:13.740
Así que vamos a tratar de entender

00:00:13.740 --> 00:00:15.360
el aprendizaje automático en el aprovechamiento

00:00:15.360 --> 00:00:17.220
la lógica de programación tradicional.

00:00:17.220 --> 00:00:18.640
Esta es una imagen de eso,

00:00:18.640 --> 00:00:20.670
que le muestra la diferencia en cómo

00:00:20.670 --> 00:00:24.580
programación tradicional se crea
frente a un modelo de aprendizaje automático.

00:00:24.580 --> 00:00:28.290
Usos de programación tradicionales
lógica estética del programa

00:00:28.290 --> 00:00:30.405
para obtener las salidas específicas.

00:00:30.405 --> 00:00:32.780
Los resultados estáticos se generan en función de

00:00:32.780 --> 00:00:35.075
la lógica del programa en el algoritmo.

00:00:35.075 --> 00:00:37.130
Su aprendizaje automático
y específicamente

00:00:37.130 --> 00:00:39.290
en un aprendizaje automático supervisado,

00:00:39.290 --> 00:00:41.810
usted tiene sus datos que son

00:00:41.810 --> 00:00:44.090
sus características y luego usted tiene

00:00:44.090 --> 00:00:47.005
en las salidas que son sus etiquetas.

00:00:47.005 --> 00:00:50.720
Eso pasa por el
cálculo del algoritmo

00:00:50.720 --> 00:00:52.820
y se crea el modelo,

00:00:52.820 --> 00:00:55.460
podemos llegar a la base
función de usuario de nivel utilizando

00:00:55.460 --> 00:00:58.580
una función matemática
creados con los datos.

00:00:58.580 --> 00:01:02.375
Esto se llama capacitar a su
modelo de aprendizaje automático.

00:01:02.375 --> 00:01:06.710
En el aprendizaje automático, hay
son dos categorías diferentes,

00:01:06.710 --> 00:01:09.470
uno se llama aprendizaje supervisado

00:01:09.470 --> 00:01:12.635
y el otro es
aprendizaje no supervisado.

00:01:12.635 --> 00:01:14.870
Supervisado significa que estamos dando

00:01:14.870 --> 00:01:17.165
los ejemplos de ambos datos,

00:01:17.165 --> 00:01:19.280
usarlo para predecir y la respuesta.

00:01:19.280 --> 00:01:22.070
Por ejemplo, es un perro o es un gato.

00:01:22.070 --> 00:01:25.130
Vamos a dar la
imagen de etiqueta de modelo de

00:01:25.130 --> 00:01:28.605
una categoría de características para
perros y para gatos.

00:01:28.605 --> 00:01:32.445
Le diríamos que
lo que es un gato y un perro es.

00:01:32.445 --> 00:01:36.600
Entonces el modelo aprendería
cómo etiquetar los datos proporcionados.

00:01:36.600 --> 00:01:40.760
Un aprendizaje supervisado es cuando
darle un conjunto de datos sin etiquetar a

00:01:40.760 --> 00:01:42.635
aprender de sin darle

00:01:42.635 --> 00:01:45.590
la respuesta de lo que
queremos que aprenda.

00:01:45.590 --> 00:01:49.295
Como pueden ver, bajo el
aprendizaje automático supervisado,

00:01:49.295 --> 00:01:52.460
hay dos métodos:
regresión y clasificación.

00:01:52.460 --> 00:01:55.235
Mientras que bajo el no supervisado
aprendizaje automático,

00:01:55.235 --> 00:01:57.845
hay tres diferentes
métodos: clustering,

00:01:57.845 --> 00:02:00.905
detección de anomalías,
y recomendación.

00:02:00.905 --> 00:02:02.810
Ahora que tenemos un poco de

00:02:02.810 --> 00:02:05.210
comprensión de lo que
el aprendizaje automático es,

00:02:05.210 --> 00:02:08.825
echemos un vistazo al modelo
proceso de construcción a alto nivel.

00:02:08.825 --> 00:02:11.540
Como pueden ver, hay
son cuatro etapas principales.

00:02:11.540 --> 00:02:14.090
Dijimos que hay una preparación
sus datos, entrene su modelo,

00:02:14.090 --> 00:02:17.600
probar su modelo, y
poner en funcionamiento su modelo.

00:02:17.600 --> 00:02:18.875
A preparar sus datos,

00:02:18.875 --> 00:02:21.305
y esta es una etapa que necesitas encontrar,

00:02:21.305 --> 00:02:22.985
seleccionar y crear datos,

00:02:22.985 --> 00:02:27.620
aplicación de técnicas de preprocesamiento
y también llenar vacíos en sus datos.

00:02:27.620 --> 00:02:33.455
El modelo de tren significa que
tienes que dar a tu modelo

00:02:33.455 --> 00:02:36.590
datos específicos para que su
modelo va a aprenderlo

00:02:36.590 --> 00:02:40.175
de estos datos para predecir
como algo en el futuro.

00:02:40.175 --> 00:02:43.010
Esta es una tarea muy iterativa

00:02:43.010 --> 00:02:45.990
porque es posible que necesite
cambiar los datos en el modelo

00:02:45.990 --> 00:02:48.560
hasta que usted piensa que usted tiene

00:02:48.560 --> 00:02:52.190
un buen dato contable
para la etapa de producción.

00:02:52.190 --> 00:02:54.020
Modelo de prueba, ahora que tiene

00:02:54.020 --> 00:02:57.200
un modelo que usted piensa que es
va a funcionar muy bien,

00:02:57.200 --> 00:02:59.800
se puede probar para
sopesar los nuevos datos.

00:02:59.800 --> 00:03:01.980
Por último, operacionice el modelo.

00:03:01.980 --> 00:03:05.030
Ahora es el momento de poner en funcionamiento
su modelo para que usted

00:03:05.030 --> 00:03:09.360
puede consumirlo de
diferentes aplicaciones.