[Azure Machine Learning] La dicotomía Varianza-sesgo (Bias-Variance)

[Azure Machine Learning] La dicotomía Varianza-sesgo (Bias-Variance)

4:00:00 a.m.

En el aprendizaje automático supervisado, un algoritmo aprende un modelo a partir de los datos de entrenamiento. El objetivo de cualquier al...

F12 »

[Azure Machine Learning] Sobreajuste y subajuste (Overfitting and Underfitting)

[Azure Machine Learning] Sobreajuste y subajuste (Overfitting and Underfitting)

1:48:00 a.m.

Se le llama inducción al aprendizaje de conceptos generales a partir de ejemplos específicos. Esto es contrario a la deducción que busca ...

F12 »

[Azure Machine Learning] Criterios para la selección de algoritmos de aprendizaje

[Azure Machine Learning] Criterios para la selección de algoritmos de aprendizaje

2:27:00 a.m.

Puede que existan algunas consideraciones que debamos tener en cuenta para seleccionar el "mejor" algoritmo, pero la verdad es de...

F12 »

[Azure Machine Learning] Escenarios supervisados vs. no supervisados en Azure ML

[Azure Machine Learning] Escenarios supervisados vs. no supervisados en Azure ML

2:25:00 a.m.

Una vez que contamos con las fuentes de datos necesarias y los datos se encuentran limpios, ya es momento de empezar a planificar la constr...

F12 »

[Azure Machine Learning] Ingeniería y selección de características

[Azure Machine Learning] Ingeniería y selección de características

1:35:00 a.m.

"Los datos de entrenamiento constan de una matriz compuesta de ejemplos (registros u observaciones almacenados en filas), cada uno de l...

F12 »

[Azure Machine Learning] Limpieza y saneamiento de datos

[Azure Machine Learning] Limpieza y saneamiento de datos

7:08:00 p.m.

En todo experimento, si no se reciben buenos insumos, los resultados podrían ser imprecisos o completamente erróneos. Por ello, es de suma i...

F12 »