IA práctica para programadores: ChatGPT, LLM, RAG, agentes, evaluación y despliegue.
Deep Learning desde cero Introducción El aprendizaje profundo, o Deep Learning (DL), es una rama del machine learning que se basa en redes neuronales artificiales con múltiples capas. Es particularmente potente para tareas complejas como la…
Machine Learning clásico Introducción El aprendizaje automático clásico, también conocido como machine learning tradicional o ML101, es fundamental para cualquier programador que se adentra en la ciencia de datos. Este tipo de aprendizaje a…
Modelos de clasificación Introducción En el camino hacia la dominación del Machine Learning, los modelos de clasificación son una herramienta esencial. La clasificación se refiere a categorizar datos en conjuntos mutuamente excluyentes basa…
Deep Learning para regresión Introducción El Deep Learning ha revolucionado la forma en que abordamos problemas complejos, y su aplicación a tareas de regresión no es la excepción. La capacidad de los modelos de red neuronal para capturar p…
Machine Learning avanzado Introducción El avance en el campo del machine learning (ML) implica una constante evolución y exploración de nuevas técnicas y algoritmos. Después de dominar los fundamentos de la regresión, es crucial adentrarse …
Series temporales Introducción En el mundo de la ciencia de datos, las series temporales son un componente crucial para comprender y predecir comportamientos que cambian con el tiempo. Desde pronósticos meteorológicos hasta análisis financi…
Selección final y conclusiones Introducción Después de explorar, preparar los datos, entrenar múltiples modelos y realizar una evaluación comparativa, llegamos a la etapa más crucial: la selección final del modelo. Esta fase implica no solo…
Evaluación comparativa: Entrenando y evaluando varios modelos de regresión Introducción La evaluación comparativa de diferentes modelos de regresión es crucial para asegurar que tu modelo seleccionado no solo se ajusta bien a los datos de e…