Desmitificando las Funciones de Pérdida o Error: Fundamentos de Deep Learning
Ya has superado la mitad. Estás muy cerca de completar el curso.
Sobre esta lección
Uno de los conceptos más importantes del aprendizaje de máquina y en particular del aprendizaje profundo, son las funciones de pérdida o error, las cuales nos ayudan a guiar la creación/entrenamiento de nuestros modelos, por ejemplo, una red neuronal. Este video explica qué es una función de pérdida, por qué son importantes, y las funciones de pérdida más comunes tanto en clasificación como en regresión. Entre las funciones de pérdida explicadas se encuentran: Entropía Cruzada Binaria, Entropía Cruzada Categórica, Error Absoluto Medio (Mean Absolute Error - MAE) y Error Cuadrático Medio (Mean Squared Error - MSE). 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn https://www.linkedin.com/in/octaviogutierrez/ Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2024, 10 de Junio). Desmitificando las Funciones de Pérdida o Error: Fundamentos de Deep Learning [Video]. YouTube. [Incluye aquí la URL del video] ******************************************** Para guiar tu aprendizaje, en este vínculo (https://youtu.be/lomJnbN5Wnk) se encuentra una guía secuencial para aprender: 1. Programación Básica con Python; 2. Manejo de Datos; 3. Visualización de Datos; 4. Análisis de Datos; y 5. Aprendizaje de Máquina y Ciencia de Datos. ******************************************** Índice del Video: 0:00 Introducción 0:44 Qué es una función de pérdida 3:00 Por qué son importantes 7:03 Tipos de funciones de pérdida 7:49 Clasificación: Entropía cruzada 18:30 Funciones de Pérdida para Regresión 20:42 Regresión: Error Absoluto Medio (MAE) 22:18 Regresión: Error Cuadrático Medio (MSE) ⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias. ⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI: https://www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln #DeepLearning #AprendizajeProfundo #MachineLearning #IA #AI #InteligenciaArtificial #AprendizajeAutomático #AprendizajeDeMaquina
Sobre este curso
Esta serie de videos explica los siguientes temas dentro del dominio de la ciencia de datos o data science: - Imputación o manejo de datos faltantes - Codificación de datos categóricos - Técnicas de escalamiento, normalización y estandarización. - Validación cruzada (cross-validation) - Ajuste de hiperparámetros - Técnicas para lidiar con clases desbalanceadas - Distribución de datos e histogramas - Detección de datos anómalos con diagramas de caja y la regla de Tukey - Detección de datos anómalos con iForests (bosques de aislamiento) - Regresión lineal - K-vecinos más cercanos para clasificación - K-vecinos más cercanos para regresión. - Conjuntos de clasificadores o regresores (Bagging) - Regresión logística - Impureza Gini - Bosques aleatorios para clasificación - Objetivos de los conjuntos de datos para entrenamiento, validación y prueba - La maldición de la dimensionalidad - Fuentes de datos - Detección de clusters con k-means - Detección de clusters con DBSCAN - Tipos de distancias para Clustering - Métricas de regresión. - Visualización de datos con matplotlib - Manejo y análisis de datos con pandas Las librerías que se utilizan son scikit-learn (sklearn), matplotlib, numpy y pandas.
Lo que aprenderás en este curso:
- Comprender el proceso completo de análisis de datos
- Recopilar, limpiar y transformar conjuntos de datos
- Crear visualizaciones de datos informativas y atractivas
- Aplicar estadística descriptiva e inferencial