Codigo Maquina
Codigo Maquina
  • 138
  • 957 214
Descifrando el Misterio: Redes Neuronales Convolucionales (CNNs) con Python y Tensorflow
Las redes neuronales convolucionales, son un tipo de red neuronal especializada en procesar datos que se encuentran en un formato rejilla, por ejemplo, imágenes. De hecho, comúnmente se usan para clasificar imágenes aunque también se llegan a utilizar para hacer pronósticos. En este video se explica visualmente y paso a paso cómo funcionan las redes neuronales convolucionales y cómo programarlas utilizando python y tensorflow.
Para citar este recurso educativo utiliza la siguiente referencia:
Gutiérrez-García, J.O. [Código Máquina]. (2024, 9 de Julio). Descifrando el Misterio: Redes Neuronales Convolucionales (CNNs) con Python y Tensorflow [Video]. CZcams. [Incluye aquí la URL del video]
********************************************
Para guiar tu aprendizaje, en este vínculo (czcams.com/video/lomJnbN5Wnk/video.html) 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
0:45 Imágenes RGB
3:21 Arquitectura de una Red Convolucional
5:55 Mapa de Características
9:26 Filtros o Kernels
10:30 Operación Convolución
14:08 Padding o Relleno
18:59 Etapa Detector (ReLUs)
24:09 Operación Pooling
26:15 Max y Average Pooling
26:55 Stride o Zancada
28:55 Stride o Zancada
31:53 Conjunto de Datos para Ejemplo
32:43 Red Convolucional con Python, Tensorflow y Keras
El código y datos se encuentran disponibles en:
github.com/CodigoMaquina/code/blob/main/machine_learning_python/redes_convolucionales.ipynb
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en: C0d1g0Maqu1na/shop
⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI:
www.amazon.com.mx/s?srs=120947349011
#DeepLearning #AprendizajeProfundo #MachineLearning #RedesNeuronales #IA #AI #Python #DataScience #CienciaDeDatos #InteligenciaArtificial #AprendizajeAutomático #AprendizajeDeMaquina
zhlédnutí: 1 728

Video

Tu primera Red Neuronal para Clasificar Imágenes con Python y TensorFlow: Perceptrón Multicapa MLP42:36Tu primera Red Neuronal para Clasificar Imágenes con Python y TensorFlow: Perceptrón Multicapa MLP
Tu primera Red Neuronal para Clasificar Imágenes con Python y TensorFlow: Perceptrón Multicapa MLP
zhlédnutí 2,6KPřed 28 dny
Explicación visual y paso a paso de cómo implementar una Red Neuronal Artificial, en particular, un perceptrón multicapa (multilayer perceptron MLP) para clasificar imágenes del juego: Piedra, Papel o Tijera. La red neuronal se programa utilizando Python, Tensorflow y Keras. Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2024, 25 de ...
Desmitificando las Funciones de Pérdida o Error: Fundamentos de Deep Learning24:01Desmitificando las Funciones de Pérdida o Error: Fundamentos de Deep Learning
Desmitificando las Funciones de Pérdida o Error: Fundamentos de Deep Learning
zhlédnutí 1,1KPřed měsícem
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 ...
Funciones de Activación de Redes Neuronales: Sigmoide, ReLU, ELU, Tangente hiperbólica, Softplus y ➕25:19Funciones de Activación de Redes Neuronales: Sigmoide, ReLU, ELU, Tangente hiperbólica, Softplus y ➕
Funciones de Activación de Redes Neuronales: Sigmoide, ReLU, ELU, Tangente hiperbólica, Softplus y ➕
zhlédnutí 1,7KPřed měsícem
Las redes neuronales profundas están compuestas de múltiples neuronas artificiales. En el núcleo de esas neuronas se encuentran las funciones de activación que definen la salida de las neuronas. Este video explica 10 tipos de funciones de activación y cuándo y por qué se utiliza cada una de ellas. Gutiérrez-García, J.O. [Código Máquina]. (2024, 26 de Mayo). Funciones de Activación de Redes Neur...
Matemáticas Esenciales para Dominar Machine Learning y Deep Learning16:06Matemáticas Esenciales para Dominar Machine Learning y Deep Learning
Matemáticas Esenciales para Dominar Machine Learning y Deep Learning
zhlédnutí 13KPřed 2 měsíci
A través de ejemplos y visualizaciones, este video describe los prerrequisitos matemáticos de aprendizaje de máquina y aprendizaje profundo. Gutiérrez-García, J.O. [Código Máquina]. (2024, 12 de Mayo). Matemáticas Esenciales para Dominar Machine Learning y Deep Learning [Video]. CZcams. [Incluye aquí la URL del video] Para guiar tu aprendizaje, en este vínculo (czcams.com/video/lomJnbN5Wnk/vide...
La Muerte de las Neuronas: Problema del Desvanecimiento del Gradiente en Redes Neuronales Profundas31:42La Muerte de las Neuronas: Problema del Desvanecimiento del Gradiente en Redes Neuronales Profundas
La Muerte de las Neuronas: Problema del Desvanecimiento del Gradiente en Redes Neuronales Profundas
zhlédnutí 1,9KPřed 2 měsíci
En el entrenamiento de las redes neuronales profundas existe un problema muy importante llamado el desvanecimiento del gradiente. Este provoca que las neuronas que componen a una red neuronal artificial aprendan muy lento o dejen de aprender. De ahí que se diga que las neuronas artificiales mueren. Este video explica en qué consiste el problema del desvanecimiento (y de la explosión) del gradie...
BACKPROPAGATION: Cómo Aprende Matemáticamente una Red Neuronal Artificial Paso a Paso con Python1:17:50BACKPROPAGATION: Cómo Aprende Matemáticamente una Red Neuronal Artificial Paso a Paso con Python
BACKPROPAGATION: Cómo Aprende Matemáticamente una Red Neuronal Artificial Paso a Paso con Python
zhlédnutí 19KPřed 3 měsíci
Explicación visual y matemática, paso a paso, de cómo aprende una red neuronal artificial. En particular, este video se enfoca en Backpropagation, el algoritmo predominante para el entrenamiento de redes neuronales artificiales. Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2024, 8 de Abril). BACKPROPAGATION: Cómo Aprende Matemática...
Shapiro-Wilk vs Kolmogorov-Smirnov en Python: ¿Qué prueba de Normalidad utilizar?19:52Shapiro-Wilk vs Kolmogorov-Smirnov en Python: ¿Qué prueba de Normalidad utilizar?
Shapiro-Wilk vs Kolmogorov-Smirnov en Python: ¿Qué prueba de Normalidad utilizar?
zhlédnutí 2KPřed 4 měsíci
La importancia de la distribución normal para la estadística es fundamental. Muchos tipos de análisis estadísticos trabajan bajo la suposición de que los datos siguen una distribución normal. Para ello constantemente debemos examinar qué tan bien se ajustan los datos de una muestra a la distribución normal estándar. Este video explica y contrasta visualmente e intuitivamente dos de las pruebas ...
Cómo determinar si un Resultado es Estadísticamente Significativo: ¿Valor P menor a 0.05?12:30Cómo determinar si un Resultado es Estadísticamente Significativo: ¿Valor P menor a 0.05?
Cómo determinar si un Resultado es Estadísticamente Significativo: ¿Valor P menor a 0.05?
zhlédnutí 2,3KPřed 4 měsíci
Cuando sacamos conclusiones a partir de datos, cómo podemos saber si esas conclusiones o resultados son estadísticamente significativos, es decir, que no se deben al azar (o casualidad) o a una fluctuación aleatoria. Este video explica e ilustra cuándo podemos decir que un resultado es estadísticamente significativo. Además, este video incluye referencias que sustentan qué umbral debemos utiliz...
Qué es realmente el Valor P (o p-value) y las Pruebas de Hipótesis: Estadística con Python16:05Qué es realmente el Valor P (o p-value) y las Pruebas de Hipótesis: Estadística con Python
Qué es realmente el Valor P (o p-value) y las Pruebas de Hipótesis: Estadística con Python
zhlédnutí 3,8KPřed 5 měsíci
El poder de la estadística se debe en gran medida a su capacidad de sacar conclusiones sobre una población a partir de una muestra. Para esto, se hace de uso pruebas de hipótesis y del valor p (también conocido como p-value). Este video explica qué es el Valor P e introduce a las Pruebas de Hipótesis. Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Cód...
¿Qué tipo de Correlación debo utilizar: Pearson, Spearman o Kendall?: Diferencias y Similitudes16:56¿Qué tipo de Correlación debo utilizar: Pearson, Spearman o Kendall?: Diferencias y Similitudes
¿Qué tipo de Correlación debo utilizar: Pearson, Spearman o Kendall?: Diferencias y Similitudes
zhlédnutí 8KPřed 5 měsíci
El análisis de correlaciones es un método estadístico que investiga la relación entre variables, por ejemplo, la relación entre el peso y la altura de las personas. Para determinar la magnitud y dirección de esa relación comúnmente se utilizan los coeficientes de correlación de Pearson, Spearman o Kendall. Este video explica cuándo se debe o puede utilizar cada tipo de correlación. Además, se p...
¿No tienes datos? ¡Auméntalos! Introducción a la Aumentación de Datos (Data Augmentation) con Python11:27¿No tienes datos? ¡Auméntalos! Introducción a la Aumentación de Datos (Data Augmentation) con Python
¿No tienes datos? ¡Auméntalos! Introducción a la Aumentación de Datos (Data Augmentation) con Python
zhlédnutí 2KPřed 6 měsíci
Entrenar modelos de aprendizaje profundo (o deep learning) podría requerir una gran cantidad de datos. Sin embargo, comúnmente se tienen pocos datos. A raíz de eso, se han desarrollado técnicas para crear artificialmente datos a partir de datos existentes. Este video explica algunas de esas técnicas e incluye un ejemplo de aumentación de datos con python. Para citar este recurso educativo utili...
Qué es Deep Learning (o Aprendizaje Profundo): De la Neurona Biológica a la Red Neuronal Artificial17:51Qué es Deep Learning (o Aprendizaje Profundo): De la Neurona Biológica a la Red Neuronal Artificial
Qué es Deep Learning (o Aprendizaje Profundo): De la Neurona Biológica a la Red Neuronal Artificial
zhlédnutí 5KPřed 6 měsíci
Deep Learning (o Aprendizaje Profundo) permite que las computadoras aprendan tareas usando Redes Neuronales en términos de una jerarquía de conceptos con múltiples niveles de representación a partir de datos crudos. Este video explica visualmente qué es y qué caracteriza al aprendizaje profundo. Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Má...
Ley de los GRANDES Números (y el Valor Esperado) con Python15:35Ley de los GRANDES Números (y el Valor Esperado) con Python
Ley de los GRANDES Números (y el Valor Esperado) con Python
zhlédnutí 1,6KPřed 7 měsíci
La Ley de los Grandes Números es uno de los pilares de la probabilidad. Este video explica e ilustra paso a paso la ley de los grandes números. Además, se explica el concepto de valor esperado y se brinda el código de python para ilustrar la ley de los grandes números. Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2023, 11 de Diciem...
Medidas de Centralidad en Grafos o Redes: Centralidad de Grado, Cercanía e Intermediación con Python30:17Medidas de Centralidad en Grafos o Redes: Centralidad de Grado, Cercanía e Intermediación con Python
Medidas de Centralidad en Grafos o Redes: Centralidad de Grado, Cercanía e Intermediación con Python
zhlédnutí 1,8KPřed 7 měsíci
Con una red (o un grafo) se puede modelar una red de transporte, los vínculos entre páginas web o las conexiones entre contactos de una red social. En estos contextos, comúnmente se desea encontrar al nodo más importante, al nodo central, por ejemplo, en el caso de una red social, se podría identificar a la persona o personas más influyentes. Este video explica tres medidas de centralidad en re...
Ciencia de Datos con Grafos: Introducción al Análisis de Redes con Python y NetworkX23:01Ciencia de Datos con Grafos: Introducción al Análisis de Redes con Python y NetworkX
Ciencia de Datos con Grafos: Introducción al Análisis de Redes con Python y NetworkX
zhlédnutí 2,8KPřed 8 měsíci
Ciencia de Datos con Grafos: Introducción al Análisis de Redes con Python y NetworkX
Cómo saber si los Datos siguen una Distribución dada usando Gráficos Cuantil-Cuantil (o QQ) y Python24:57Cómo saber si los Datos siguen una Distribución dada usando Gráficos Cuantil-Cuantil (o QQ) y Python
Cómo saber si los Datos siguen una Distribución dada usando Gráficos Cuantil-Cuantil (o QQ) y Python
zhlédnutí 2,6KPřed 8 měsíci
Cómo saber si los Datos siguen una Distribución dada usando Gráficos Cuantil-Cuantil (o QQ) y Python
Pronóstico de Series de Tiempo con Suavización Exponencial Simple en Python: Prediciendo el Futuro35:01Pronóstico de Series de Tiempo con Suavización Exponencial Simple en Python: Prediciendo el Futuro
Pronóstico de Series de Tiempo con Suavización Exponencial Simple en Python: Prediciendo el Futuro
zhlédnutí 2,4KPřed 9 měsíci
Pronóstico de Series de Tiempo con Suavización Exponencial Simple en Python: Prediciendo el Futuro
Mide la "DISTANCIA" entre dos Distribuciones con la Divergencia Kullback-Leibler (KL) usando Python22:19Mide la "DISTANCIA" entre dos Distribuciones con la Divergencia Kullback-Leibler (KL) usando Python
Mide la "DISTANCIA" entre dos Distribuciones con la Divergencia Kullback-Leibler (KL) usando Python
zhlédnutí 2,4KPřed 9 měsíci
Mide la "DISTANCIA" entre dos Distribuciones con la Divergencia Kullback-Leibler (KL) usando Python
Qué es la Ciencia de Datos (o Data Science): EL ORIGEN14:43Qué es la Ciencia de Datos (o Data Science): EL ORIGEN
Qué es la Ciencia de Datos (o Data Science): EL ORIGEN
zhlédnutí 2,4KPřed 10 měsíci
Qué es la Ciencia de Datos (o Data Science): EL ORIGEN
Qué es y para qué se usa la Información Mutua: Una explicación paso a paso con Python28:44Qué es y para qué se usa la Información Mutua: Una explicación paso a paso con Python
Qué es y para qué se usa la Información Mutua: Una explicación paso a paso con Python
zhlédnutí 1,6KPřed 10 měsíci
Qué es y para qué se usa la Información Mutua: Una explicación paso a paso con Python
Ni muy muy, Ni tan tan: Subajuste y Sobreajuste (under- & overfitting) - Machine Learning con Python20:33Ni muy muy, Ni tan tan: Subajuste y Sobreajuste (under- & overfitting) - Machine Learning con Python
Ni muy muy, Ni tan tan: Subajuste y Sobreajuste (under- & overfitting) - Machine Learning con Python
zhlédnutí 1,9KPřed 11 měsíci
Ni muy muy, Ni tan tan: Subajuste y Sobreajuste (under- & overfitting) - Machine Learning con Python
Qué son los Datos Desbalanceados y Cómo balancearlos usando Submuestreo y Sobremuestreo con Python16:59Qué son los Datos Desbalanceados y Cómo balancearlos usando Submuestreo y Sobremuestreo con Python
Qué son los Datos Desbalanceados y Cómo balancearlos usando Submuestreo y Sobremuestreo con Python
zhlédnutí 3,1KPřed 11 měsíci
Qué son los Datos Desbalanceados y Cómo balancearlos usando Submuestreo y Sobremuestreo con Python
¿Qué tan buenos son tus Clusters? Métricas para Clustering con Python: Silueta y Davies Bouldin33:01¿Qué tan buenos son tus Clusters? Métricas para Clustering con Python: Silueta y Davies Bouldin
¿Qué tan buenos son tus Clusters? Métricas para Clustering con Python: Silueta y Davies Bouldin
zhlédnutí 4,2KPřed rokem
¿Qué tan buenos son tus Clusters? Métricas para Clustering con Python: Silueta y Davies Bouldin
Las 5 formas más Simples de Predecir el FUTURO en Series de Tiempo con Python: Media Móvil y ✚18:19Las 5 formas más Simples de Predecir el FUTURO en Series de Tiempo con Python: Media Móvil y ✚
Las 5 formas más Simples de Predecir el FUTURO en Series de Tiempo con Python: Media Móvil y ✚
zhlédnutí 3,8KPřed rokem
Las 5 formas más Simples de Predecir el FUTURO en Series de Tiempo con Python: Media Móvil y ✚
Análisis Exploratorio de Series de Tiempo con Gráficas de Autocorrelación y Retardo usando Python43:11Análisis Exploratorio de Series de Tiempo con Gráficas de Autocorrelación y Retardo usando Python
Análisis Exploratorio de Series de Tiempo con Gráficas de Autocorrelación y Retardo usando Python
zhlédnutí 8KPřed rokem
Análisis Exploratorio de Series de Tiempo con Gráficas de Autocorrelación y Retardo usando Python
Programando con Python en la Nube: La guía definitiva de Google Colab (Colaboratory)49:02Programando con Python en la Nube: La guía definitiva de Google Colab (Colaboratory)
Programando con Python en la Nube: La guía definitiva de Google Colab (Colaboratory)
zhlédnutí 17KPřed rokem
Programando con Python en la Nube: La guía definitiva de Google Colab (Colaboratory)
Predice el Futuro y Conoce qué es el Pronóstico de Series de Tiempo: Una Introducción con Python11:52Predice el Futuro y Conoce qué es el Pronóstico de Series de Tiempo: Una Introducción con Python
Predice el Futuro y Conoce qué es el Pronóstico de Series de Tiempo: Una Introducción con Python
zhlédnutí 8KPřed rokem
Predice el Futuro y Conoce qué es el Pronóstico de Series de Tiempo: Una Introducción con Python
Identifica Patrones y extrae Reglas de Asociación con el Algoritmo APRIORI usando Python28:21Identifica Patrones y extrae Reglas de Asociación con el Algoritmo APRIORI usando Python
Identifica Patrones y extrae Reglas de Asociación con el Algoritmo APRIORI usando Python
zhlédnutí 7KPřed rokem
Identifica Patrones y extrae Reglas de Asociación con el Algoritmo APRIORI usando Python
Entendiendo la Entropía en Machine Learning y Ciencia de Datos con Python16:23Entendiendo la Entropía en Machine Learning y Ciencia de Datos con Python
Entendiendo la Entropía en Machine Learning y Ciencia de Datos con Python
zhlédnutí 3,9KPřed rokem
Entendiendo la Entropía en Machine Learning y Ciencia de Datos con Python

Komentáře

  • @eduardotv5205
    @eduardotv5205 Před 13 hodinami

    Muy Inspirado Muy pocos likes para mucha información Like tú que crees lo mismo

  • @DataScience-oj4hc
    @DataScience-oj4hc Před 15 hodinami

    10:27

  • @eduardocastillo8096
    @eduardocastillo8096 Před 15 hodinami

    Gracias por compartir tu conocimiento, el video me ayudó mucho.

  • @soniabenavides177
    @soniabenavides177 Před dnem

    Eres un duro, gracias por explicarnos tan fácil temas complejos

  • @soniabenavides177
    @soniabenavides177 Před dnem

    ¡Gracias!

  • @yanigangemi
    @yanigangemi Před 2 dny

    Hola Octavio, muy bueno el video! Tengo una consulta: por qué pones en los graficos [0]*10 o [1]*10 Aparece en: plt.scatter(personas_normal, [0]*10, marker="o", c="green", s=250, label="Normal") y en: plt.scatter(personas_taquicardia, [1]*10, marker="o", c="red", s=250, label="Taquicardia")

  • @julianyesidcarrenogomez1514
    @julianyesidcarrenogomez1514 Před 3 dny

    estuvo genial gracias. puedes hacer uno para la teoria de la información con ejemplos en python seria genial ❤

  • @alberthpinco3543
    @alberthpinco3543 Před 4 dny

    Que buena explicación muchas gracias

  • @jonathanharkerdpz5906
    @jonathanharkerdpz5906 Před 5 dny

    Excelente aporte.,👍👍👍

  • @Togueter
    @Togueter Před 6 dny

    Por favor, sobre el minuto 6:30 corrige la diapositiva. No son terminales "axomicas", son terminales "AXONICOS" con "N" y en masculino, de AXON. Y la señal no se procesa en el núcleo; sino en el cuerpo de la neurona o "SOMA"

  • @user-nr2jn6rz4i
    @user-nr2jn6rz4i Před 6 dny

    Buenas tardes. Muchas gracias por compartir su conocimiento. Tengo un problema con mi computadora, debido a que se necesita actualizar, sin embargo, al intentarlo no me lo permite. Mi pregunta sería si es posible practicar lo aprendido en cada lección en una página online? Le agradezco su atención y comprensión.

  • @juananfe9
    @juananfe9 Před 6 dny

    Excelente video explicativo.

  • @francoacharez4804
    @francoacharez4804 Před 6 dny

    Excelente video

  • @edgargonzalezambriz5264
    @edgargonzalezambriz5264 Před 7 dny

    Excelente profesor, muchas gracias !

  • @edgargonzalezambriz5264
    @edgargonzalezambriz5264 Před 7 dny

    Muchas gracias profesor

  • @user-tr3ml5cd9r
    @user-tr3ml5cd9r Před 8 dny

    Excelente introducción, te agradezco la explicación intuitiva de los conceptos de PCA

  • @eliascarhuaricrazavala1856
    @eliascarhuaricrazavala1856 Před 9 dny

    kendal tamnien se le conoce como chi cuadrado????

  • @sheyla9534
    @sheyla9534 Před 9 dny

    gracias por el video explicativo, por favor, en que software puedo graficar la correlación de spearman?

  • @dagcomunica5921
    @dagcomunica5921 Před 10 dny

    Señor Octavio Gutiérrez este es el canal de CZcams mas completo para el conocimiento de IA. Excelente videos. Muchas gracias por ese gran aporte que hace a la comunidad llevando conocimiento gratuito y de muy buena calidad. Por favor no pares de enseñar y sobre todo hasta el final lo de redes neuronales. Excelente

  • @yanigangemi
    @yanigangemi Před 10 dny

    Hola Octavio, estoy viendo todos tus videos en orden, son buenísimos! Voy por este. Consulta, hiciste algún video de grados de libertad?

  • @victorcali_
    @victorcali_ Před 11 dny

    Buenas, gracias por su contenido. Tengo problemas para descargarme piedra_papel_tijera_originales.zip. Dice que "This repository is over its data quota. Account responsible for LFS bandwidth should purchase more data packs to restore access". ¿Sabe cómo solucionar este problema? Gracias de antemano.

  • @bruce6090
    @bruce6090 Před 12 dny

    Muy buenos tus videos, me puede servir para hacer una red neuronal, para predecir el comportamiento, de un cliente, que productos valla a comprar?

  • @ivansalgado14deabril202
    @ivansalgado14deabril202 Před 12 dny

    Buenas tardes, tienes algun correo electrónico para escribirte? Me gustó mucho tu video. Saludos

  • @k4r4m310.
    @k4r4m310. Před 13 dny

    Sus clases no solo me estan enseñado conocimientos MUY valiosos, sino que también me han abierto la mente a nuevas perspectivas Su entusiasmo y su compromiso con la educación son contagiosos. Sus explicaciones claras y concisas han hecho que incluso los temas más complejos sean fáciles de entender. Gracias por hacer que aprender sea una experiencia tan enriquecedora. !! ah !!, y saludos para "Dante" :), un cordial saludo👣🐾

  • @carlosf.2927
    @carlosf.2927 Před 13 dny

    Demasiado bien explicado!! gracias.

  • @pallo_gamer
    @pallo_gamer Před 14 dny

    que buen video!!

  • @santiagoroldan3163
    @santiagoroldan3163 Před 14 dny

    Gracias por estos videos! Como puedo aprender desde cero todo este mundo!

    • @CodigoMaquina
      @CodigoMaquina Před 14 dny

      Hola @santiagoroldan3163 te recomiendo seguir el orden de subida de los videos del canal. El canal tiene todos los prerrequisitos. Así lo diseñé. De hecho, el primer video es la instalación de python. Mucha suerte en tu camino :)

  • @renzoreyna3998
    @renzoreyna3998 Před 15 dny

    Hola!! @CodigoMaquina Estoy iniciando en el área de análisis de series de tiempo y predicciones con Python. Y la verdad, es que estoy un poco desorientado sobre como estructurar una línea de estudio que me permita escalar esta Área de Python. Sumado a eso, no cuento con dinero para pagar por un curso o recurso que me ayude a avanzar. ¿Puedes recomendarme alguna alternativa o darme un consejo de cómo puedo ejecutar mis objetivos de estudio? Desde ya, te lo agradecería. Saludos desde la Provincia de Córdoba, Argentina.

  • @Aldotronix
    @Aldotronix Před 15 dny

    Silencio, empezó mi novela

  • @Suecia2020
    @Suecia2020 Před 15 dny

    Hola, estoy inmensamente agradecido por tu excelente trabajo. ¿Podrías indicarme el mejor libro que consideras para el aprendizaje de deep learning? Gracias.

    • @CodigoMaquina
      @CodigoMaquina Před 15 dny

      @Suecia2020 gracias por seguir el contenido del canal. Con respecto a tu pregunta, aquí va un par de sugerencias: 1) Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. 2) Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.". La sugerencia 1 sigue un enfoque matemático y la sugerencia 2 sigue un enfoque práctico. Ojalá te agraden :)

    • @Suecia2020
      @Suecia2020 Před 15 dny

      @@CodigoMaquina Gracias

  • @alejandrofonsecacuza
    @alejandrofonsecacuza Před 15 dny

    Muchas gracias 🎉🎉🎉

    • @CodigoMaquina
      @CodigoMaquina Před 15 dny

      @alejandrofonsecacuza es todo un placer :)

  • @jesusmanuelnietocarracedo9701
    @jesusmanuelnietocarracedo9701 Před 15 dny

    Oooooh TE QUIERO CODIGO MAQUINA!!! NO SABES LO QUE HABÍA ESPERADO ESTE VIDEO !!!!

    • @CodigoMaquina
      @CodigoMaquina Před 15 dny

      @jesusmanuelnietocarracedo9701 muchas gracias por tus palabras. Espero sea de tu agrado el video :)

  • @fpicado1
    @fpicado1 Před 15 dny

    Se puede recibir mejor notificación? Justo estoy preparando los temas para prepararme el TensorFlow Developer Certification. Muchas gracias porque esto! 💯🙏🏻

    • @CodigoMaquina
      @CodigoMaquina Před 15 dny

      @fpicado1 todo un placer ser oportunos!!! Gracias por seguir el contenido del canal :)

  • @CodigoMaquina
    @CodigoMaquina Před 15 dny

    Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en facebook.com/C0d1g0Maqu1na/shop

  • @ivancruzflores7537
    @ivancruzflores7537 Před 16 dny

    Excelente explicación .....Me suscribo!!! 🤝

  • @fernandoburgos5457
    @fernandoburgos5457 Před 16 dny

    Maestro podrías hacer un curso de matemáticas para machine Learning, saludos y gracias.

  • @victordeltoro1495
    @victordeltoro1495 Před 18 dny

    Que maravilla de vídeo.

  • @edwardbrandt4868
    @edwardbrandt4868 Před 18 dny

    Excelente video Octavio, ahora a tunear el modelo con CV y la definición de una matriz de confusión. ¿Es posible que puedas generar un caso considerando lo anterior mencionado, sobre todo con la inclusión con las métricas de la matriz de confusión?, muchas gracias.

  • @javierjosevilcanina6834
    @javierjosevilcanina6834 Před 18 dny

    Estoy mirando sus videos, buen aporte, explicas de una manera clara, con gráficos y ejemplos y en nuestro idioma. Gracias Maestro.

  • @thanoscom
    @thanoscom Před 18 dny

    muy bien explicado, nuevo seguidor !!

  • @ignaciomonetto6246
    @ignaciomonetto6246 Před 18 dny

    Hola! Saludos desde Argentina. Muchas gracias por el video y muy bien explicado. Tengo una pregunta respecto a un caso que estoy analizando. No tengo en claro como encarar el problema ni con qué algoritmo. Tengo un data set de 200 chicos de la escuela que en cierto punto de su adolesencia se inclinan por practicar un determinado deporte (futbol, tenis, basket, etc). Dado este data set, quisiera predecir a qué deporte se inclinaría una nueva persona, teniendo en cuenta ciertas caracteristicas (edad, zona donde vive, estatura, peso, etc, etc.) y con qué probabilidad. Me ayudas? Saludos.

  • @edwardbrandt4868
    @edwardbrandt4868 Před 19 dny

    excelente material, muy bien explicado y facil de entender...muchas gracias

  • @ArniFuentes
    @ArniFuentes Před 20 dny

    Muchas gracias por la información!. Una consulta, en una distribución uniforme, tiene sentido, por ejemplo, obtener el promedio, si en verdad los datos no se concentran alrededor de este?

  • @foland2619
    @foland2619 Před 20 dny

    Gran contenido. Explicación sencilla, concisa y clara acerca del tema.

  • @hectorbrayancespedesclavij6746
    @hectorbrayancespedesclavij6746 Před 20 dny

    oye tus videos son excelentes tu explicación y un ejemplo practico es maravilloso, gracias

  • @edgargonzalezambriz5264
    @edgargonzalezambriz5264 Před 20 dny

    Muchas gracias profesor Octavio

  • @k4r4m310.
    @k4r4m310. Před 21 dnem

    Muy_Dificil + Bien_explicado = Facil Facil ----> esa funcion es intrinseca de este canal, desgloso algunos terminos , Bien_explicado = Claridad + Ojos que ven corazon que siente + PACIENCIA, AL SER INGENIEROS, ESPERO QUE ENTIENDAN LA LANGARIANA, un cordial saludo desde España, le sigo con mucho interes, Y ESPERO QUE SUS ALUMNOS PROFESOR, SEPAN LA SUERTE💫 QUE HAN TENIDO EN ENCONTRARSE CON VD. EN SU CAMINO, ESPERO QUE SEPAN VALORARLO, 💗

  • @k4r4m310.
    @k4r4m310. Před 21 dnem

    Muy bien explicado PROFESOR, un cordial saludo a todos ✨

  • @rominaibanez4557
    @rominaibanez4557 Před 21 dnem

    Amo como explica❤❤❤

  • @rgonzalezz
    @rgonzalezz Před 24 dny

    Hola, excelente video me quedó muy claro como utilizar el algoritmo, me queda sólo una duda, al trabajar con una base de datos csv cómo puedo trabajar los valores NaN? Muchas gracias!