20 KiB

Raw Blame History Unescape Escape

Aprendizaje automático para principiantes - Un plan de estudios

🌍 Viaja alrededor del mundo mientras exploramos el aprendizaje automático a través de las culturas del mundo 🌍

Los Azure Cloud Advocates de Microsoft están emocionados en ofrecer un plan de estudios de 12 semanas, con 26 lecciones, todas acerca de aprendizaje automático. En este plan de estudios, aprenderás sobre lo que algunas veces es llamado aprendizaje automático clásico, usando principalmente Scikit-learn y evitando el aprendizaje profundo, el cual se aborda en nuestro próximo plan de estudios 'IA para principiantes'. ¡Acompaña estas lecciones con nuestro plan de estudios 'Ciencia de Datos para principiantes'!

Viaja con nosotros alrededor del mundo mientras aplicamos técnicas clásicas a los datos de distintas áreas del mundo. Cada lección incluye:

Exámenes previos y posteriores a cada lección
Instrucciones para completar dicha lección
Una solución
Un ejercicio y más

Nuestra metodología de enseñanza basada en proyectos, te permite aprender mientras practicas; esta es una forma comprobada para que adquieras nuevas habilidades.

✍️ Agradecimientos de todo corazón a Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, y Amy Boyd.

🎨 Gracias también a nuestros ilustradores Tomomi Imura, Dasani Madipalli, y Jen Looper.

🙏 Agradecimientos especiales 🙏 a nuestros autores de Embajadores Estudiantiles de Microsoft, revisores, y colaboradores de contenido, notablemente a Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, y Snigdha Agarwal.

🤩 ¡Agradecimiento adicional al embajador estudiantil de Microsoft Eric Wanjau por nuestras lecciones de R!

Empezando con el plan de estudio

Estudiantes, para usar este plan de estudios, realiza un fork del repositorio completo en tu cuenta de GitHub y completa los ejercicios por ti mismo o en grupo:

Realiza el examen previo a la lección.
Lee las lecciones y completa las actividades, pausando y reflexionando en cada verificación de conocimiento.
Intenta crear los proyectos para comprender las lecciones en lugar de ejecutar el código de la solución; sin embargo ese código se encuentra disponible en los directorios /solution en cada lección orientada a proyecto.
Realiza el examen posterior a la lección.
Completa el desafío.
Completa el ejercicio.
Después de completar un grupo de lecciones, visita el tablero de discusión y "aprende en voz alta" llenando la rúbrica PAT apropiada. Un 'PAT' es una herramienta de evaluación del progreso que es una rúbrica la cual llenas para avanzar en tu aprendizaje. También puede reaccionar a otros PATs y así aprender juntos.

Para aprender más, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.

Profesores, hemos incluido algunas sugerencias de cómo usar este plan de estudios.

Conoce al equipo

Gif de Mohit Jaisal

🎥 ¡Da clic a la imagen de arriba para ver un video acerca del proyecto y la gente que lo creó!

Pedagogía

Hemos elegido dos principios pedagógicos mientras construimos este plan de estudios: asegurar que es práctico basado en proyectos y que incluye exámenes frecuentes. Además, este plan de estudios tiene un tema común para darle cohesión.

Al asegurar que el contenido se alinea con los proyectos, el proceso se hace más atractivo par los estudiantes y la retención de conceptos incrementará. Además, un pequeño examen antes de cada clase para establecer la intención del estudiante de aprender un tema, mientras el segundo examen después de la clase asegura una mayor retención. Este plan de estudios fue diseñado para ser flexible y divertido y puede se tomado en su totalidad o por partes. Los proyectos comienzan pequeños y van incrementando en complejidad durante el ciclo de 12 semanas. Este plan de estudios también incluye una nota al final sobre aplicaciones de aprendizaje automático en el mundo real, la cual puede ser usada como cŕeditos extra o como base para discusión.

Encuentra nuestros lineamientos de Código de conducta, Contribución, y Traducción. ¡Son bienvenidos tus comentarios constructivos!

Cada lección incluye:

boceto opcional
video suplementario opcional
examen diagnóstico previo a la lección
lección escrita
para lecciones basadas en proyectos, guías paso a paso de cómo construir el proyecto
verificaciones de conocimiento
un desafío
lectura suplementaria
un ejercicio
examen posterior a la lección

Una nota acerca de los lenguajes: Estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección en R, ve al directorio /solution y busca las lecciones. Ellas incluyen una extensión .rmd que representa un archivo Markdown R el cual puede ser definido simplemente como porciones de código embebido (de R u otros lenguajes) y un encabezado YAML (que guía cómo dar formato a las salidas, por ejemplo PDF) en un documento Markdown. Como tal, este sirve como un framework ejemplar de autoría para la ciencia de datos ya que permite combinar tu código, su salida, y tus pensamientos al permitirte escribirlos en Markdown. Es más, los documentos Markdown R pueden ser representados como formatos de salida tal como PDF, HTML, o Word.

Una nota acerca de los exámenes: Todos los exámenes están contenidos en esta app, para un total de 52 exámenes de 3 preguntas cada uno, Ellos están vinculados dentro de las lecciones pero la aplicación de exámenes puede ser ejecutada localmente; sigue las instrucciones en el directorio quiz-app.

Número de lección	Tema	Agrupación de lecciones	Objetivos de aprendizaje	Lección vinculada	Autor
01	Introducción al aprendizaje automático	Introducción	Aprende los conceptos básicos detrás del aprendizaje automático	Lección	Muhammad
02	La historia del aprendizaje automático	Introducción	Aprende la historia de este campo	Lección	Jen y Amy
03	Justicia y aprendizaje automático	introducción	¿Cuáles son los problemas filosóficos importantes alrededor de la justicia que los estudiantes deberían considerar al construir y aplicar modelos de aprendizaje automático?	Lección	Tomomi
04	Técnicas para el aprendizaje automático	introducción	¿Qué técnicas usan los investigadores de aprendizaje automático para construir modelos de ML?	Lección	Chris y Jen
05	Introducción a la regresión	Regresión	Comienza con Python y Scikit-learn para modelos de regresión	Python R	Jen Eric Wanjau
06	Precios de la calabaza en Norte América 🎃	Regresión	Visualiza y limpia los datos en preparación para el aprendizaje automático	Python R	Jen Eric Wanjau
07	Precios de la calabaza en Norte América 🎃	Regresión	Construye modelos de regresión lineal y polinomial	Python R	Jen Eric Wanjau
08	Precios de la calabaza en Norte América 🎃	Regresión	Construye un modelo de regresión logística	Python R	Jen Eric Wanjau
09	Una aplicación web 🔌	Aplicación web	Construye una aplicación web para usar tu modelo entrenado	Python	Jen
10	Introducción a la clasificación	Clasificación	Limpia, prepara y visualiza tus datos; introducción a la clasificación	Python R	Jen y Cassie Eric Wanjau
11	Deliciosas cocinas Asiática e India 🍜	Clasificación	Introducción a los clasificadores	Python R	Jen y Cassie Eric Wanjau
12	Deliciosas cocinas Asiática e India 🍜	Clasificación	Más clasificadores	Python R	Jen y Cassie Eric Wanjau
15	Explorando los gustos musicales de Nigeria 🎧	Agrupamiento	Explora el método de agrupamiento K-medias	Python R	Jen Eric Wanjau
16	Introducción al procesamiento de lenguaje natural ☕️	Procesamiento de lenguaje natural	Aprende las bases acerca de NLP al construir un bot simple	Python	Stephen
18	Traducción y análisis de sentimiento ♥️	Procesamiento de lenguaje natural	Traducción y análisis de sentimiento con Jane Austen	Python	Stephen
19	Hoteles románticos de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimiento con reseñas de hoteles 1	Python	Stephen
20	Hoteles románticos de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimiento con reseñas de hoteles 2	Python	Stephen
21	Introducción a la predicción de series de tiempo	Series de tiempo	Introducción a la predicción de series de tiempo	Python	Francesca
22	⚡️ Uso de energía mundial ⚡️ - predicción de series de tiempo con ARIMA	Series de tiempo	Predicción de series de tiempo con ARIMA	Python	Francesca
23	⚡️ Uso de energía mundial ⚡️ - predicción de series de tiempo con SVR	Series de tiempo	Predicción de series de tiempo con Regresor de soporte vectorial	Python	Anirban
24	Introducción al aprendizaje reforzado	Aprendizaje reforzado	introducción al aprendizaje reforzado con Q-Learning	Python	Dmitry
25	¡Ayuda a Pedro a evitar al lobo! 🐺	Aprendizaje reforzado	Gimnasio de aprendizaje reforzado	Python	Dmitry
Postdata	Escenarios y aplicaciones del aprendizaje automático en el mundo real	Aprendizaje automático en la naturaleza	Interesantes y reveladoras aplicaciones del mundo real del aprendizaje automático clásico	Lección	Equipo

Acceso sin conexión

Puedes ejecutar esta documentación sin conexión al usar Docsify. Crea un fork de este repositorio, instala Docsify en tu equipo local, y luego en el directorio raíz de este repositorio, escribe docsify serve. El sitio web será servido en el puerto 3000 de tu host local: localhost:3000.

PDFs

Encuentra aquí un pdf de el plan de estudios con enlaces.

¡Necesitamos tu ayuda!

¿Te gustaría contribuir con una traducción? Por favor lee nuestros lineamientos de traducción y agrega un issue basado en la plantilla para administrar la carga de trabajo aquí.

Otros planes de estudio

¡Nuestro equipo produce otros planes de estudio! Revísalos:

20 KiB Raw Blame History Unescape Escape