Ebook gratuito Aprendizaje automático y aprendizaje profundo con Python

1. Introducción al aprendizaje automático

+ Ejercicio: ¿Cuál de los siguientes es un tipo de aprendizaje en Machine Learning como se describe en el texto? 4 minutos

2. Fundamentos de Python para la ciencia de datos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre Python es verdadera, según el texto proporcionado? 4 minutos

3. Configurar el entorno de desarrollo

+ Ejercicio: ¿Cuál es el primer paso recomendado para configurar un entorno de desarrollo adecuado para Machine Learning (ML) y Deep Learning (DL) con Python? 5 minutos

4. Manipulación de datos con Pandas

+ Ejercicio: ¿Cuál es el objetivo principal de la biblioteca Pandas en Python? 5 minutos

5. Análisis exploratorio de datos con Matplotlib y Seaborn

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el análisis de datos exploratorios (EDA) y las bibliotecas de visualización en Python es correcta? 4 minutos

5.1. Importación de bibliotecas: Matplotlib y Seaborn

+ Ejercicio: ¿Cuál es el propósito del Análisis Exploratorio de Datos (AED) y qué bibliotecas se mencionan en el texto para realizar esta tarea? 4 minutos

5.2. Carga e inspección inicial de datos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el análisis de datos exploratorios (DEA) es CORRECTA? 5 minutos

5.3. Limpieza y preparación de datos

+ Ejercicio: ¿Cuál de las siguientes describe correctamente un paso en el análisis exploratorio de datos (EDA) y una técnica de visualización de datos correspondiente? 5 minutos

5.4. Análisis univariado

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el análisis univariado y las bibliotecas de Python mencionadas en el texto? 5 minutos

5.5. Análisis bivariado

+ Ejercicio: ¿Cuál de las siguientes opciones describe mejor el propósito del análisis bivariado en el Análisis de datos exploratorios (EDA)? 5 minutos

5.6. Visualización de datos categóricos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la visualización de datos categóricos con Matplotlib y Seaborn es correcta? 6 minutos

5.7. Visualización de datos continuos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el análisis de datos exploratorios (DEA) como se describe en el texto? 5 minutos

5.8. Histogramas, diagramas de caja y dispersión

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el análisis de datos exploratorios (DEA) es verdadera según el texto proporcionado? 5 minutos

5.9. Gráficos de líneas para series temporales

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la creación de gráficos lineales para series temporales con Python es correcta? 5 minutos

5.10. Personalización de gráficos

+ Ejercicio: ¿Qué método se utiliza para agregar un título a una trama en Matplotlib? 5 minutos

5.11. Correlación y mapas de calor

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el análisis de correlación y la creación de mapas de calor como se describe en el texto anterior? 5 minutos

5.12. Diagramas de pares y relaciones multidimensionales

+ Ejercicio: ¿Qué afirmación es cierta sobre el uso de diagramas de pares en el análisis de datos exploratorios (AED)? 4 minutos

5.13. Guardado de visualizaciones

+ Ejercicio: ¿Cuál de los siguientes métodos se utiliza para guardar visualizaciones de datos creadas con Matplotlib y Seaborn en archivos como PNG, JPG y otros? 5 minutos

5.14. Interpretación de visualizaciones

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el análisis de datos exploratorios (AED) con Matplotlib y Seaborn es cierta? 4 minutos

6. Conceptos estadísticos básicos para el aprendizaje automático

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre los conceptos estadísticos aplicados en Machine Learning (ML) y Deep Learning (DL)? 4 minutos

7. Principios del aprendizaje supervisado

+ Ejercicio: ¿Cuál de los siguientes principios NO se menciona como uno de los fundamentos del aprendizaje supervisado en el texto proporcionado? 3 minutos

7.1. Definición de aprendizaje supervisado

+ Ejercicio: ¿Cuál de los siguientes componentes NO se menciona en el texto como uno de los componentes clave del aprendizaje supervisado? 4 minutos

7.2. Conjuntos de entrenamiento y pruebas

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el aprendizaje supervisado y la división de conjuntos de datos? 4 minutos

7.3. Algoritmos de clasificación

+ Ejercicio: ¿Cuál de los siguientes conceptos es INCORRECTO con respecto a los algoritmos de clasificación y aprendizaje supervisado, según el texto proporcionado? 4 minutos

7.4. Algoritmos de regresión

+ Ejercicio: ¿Cuál de los siguientes algoritmos de regresión añade un término de penalización al error cuadrático medio (MSE) para evitar el sobreajuste, especialmente en situaciones con multicolinealidad? 4 minutos

7.5. Métricas de evaluación del desempeño

+ Ejercicio: ¿Cuál de las siguientes métricas de rendimiento de un modelo de Machine Learning es especialmente útil cuando se busca un equilibrio entre precisión y recuperación y hay una distribución desigual de clases? 4 minutos

7.6. Validación cruzada

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la validación cruzada es verdadera según el texto proporcionado? 4 minutos

7.7. Sobreajuste y desajuste

+ Ejercicio: ¿Cuál de las siguientes describe correctamente el concepto de sobreajuste en Machine Learning (ML) y una técnica para evitarlo? 3 minutos

7.8. Regularización

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la regularización es correcta según el texto dado? 4 minutos

7.9. Selección de modelos

+ Ejercicio: ¿Qué técnica es fundamental en la selección de modelos para proporcionar una estimación confiable del rendimiento del modelo en datos invisibles y ayudar a detectar problemas de sobreajuste o desajuste? 4 minutos

7.10. Optimización de hiperparámetros

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre la optimización de hiperparámetros en el contexto del aprendizaje supervisado en el aprendizaje automático (ML)? 4 minutos

7.11. Ingeniería de características

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el proceso de ingeniería de funciones en el contexto del aprendizaje supervisado? 4 minutos

7.12. Equilibrio de clases

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el equilibrio de clases en el aprendizaje supervisado por aprendizaje automático es correcta? 3 minutos

7.13. Interpretabilidad del modelo

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor la importancia de la interpretabilidad en los modelos de aprendizaje supervisado? 4 minutos

7.14. Aplicaciones prácticas

+ Ejercicio: ¿Cuál de los siguientes es un principio fundamental del aprendizaje supervisado como se describe en el texto? 4 minutos

8. Modelos de regresión lineal simple y múltiple

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la Regresión Lineal es correcta según el texto proporcionado? 4 minutos

9. Métricas de evaluación y validación cruzada

+ Ejercicio: ¿Cuál es el objetivo principal de la validación cruzada en el aprendizaje automático? 5 minutos

10. Modelos de clasificación: árboles de decisión y K-NN

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre árboles de decisión y K-NN es verdadera según el texto dado? 4 minutos

11. Evaluación de modelos de clasificación

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la evaluación de modelos de clasificación en Machine Learning (ML) y Deep Learning (DL) es CORRECTA? 4 minutos

12. Aprendizaje conjunto: embolsado, impulso y bosque aleatorio

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre las técnicas de aprendizaje conjunto es correcta? 4 minutos

13. Optimización de hiperparámetros

+ Ejercicio: ¿Cuál de los siguientes métodos utiliza modelos probabilísticos para predecir qué hiperparámetros pueden dar lugar a mejores rendimientos en la optimización de hiperparámetros? 4 minutos

14. Reducción de dimensionalidad y PCA

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el Análisis de Componentes Principales (PCA)? 4 minutos

15. Algoritmos de agrupación: K-Means y agrupación jerárquica

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el algoritmo de agrupamiento de K-Means? 4 minutos

16. Introducción al aprendizaje profundo y redes neuronales artificiales

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre aprendizaje profundo y redes neuronales artificiales (RNA) es correcta, según el texto proporcionado? 4 minutos

17. Conceptos neuronales y funciones de activación

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre las neuronas artificiales y las funciones de activación es correcta según el texto proporcionado? 4 minutos

18. Retropropagación y entrenamiento de redes neuronales

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el algoritmo de retropropagación es INCORRECTA? 4 minutos

18.1. ¿Qué es la retropropagación?

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe correctamente el método de retropropagación utilizado en el entrenamiento de redes neuronales? 3 minutos

18.2. Cálculo de gradiente

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el algoritmo de retropropagación es correcta? 4 minutos

18.3. Regla de la cadena

+ Ejercicio: ¿Cuál es el propósito del algoritmo de retropropagación en el entrenamiento de redes neuronales profundas? 4 minutos

18.4. Actualización de pesos con descenso de gradiente

+ Ejercicio: ¿Cuál es el papel del algoritmo de retropropagación en el entrenamiento de redes neuronales? 3 minutos

18.5. Funciones de activación

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el algoritmo de retropropagación y las funciones de activación en redes neuronales es correcta? 3 minutos

18.6. Tasa de aprendizaje

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la tasa de aprendizaje en el entrenamiento de redes neuronales es correcta? 3 minutos

18.7. Impulso y métodos de optimización

+ Ejercicio: ¿Cuál de los siguientes métodos de optimización acelera el entrenamiento de redes neuronales, ayuda a evitar que los pesos se atasquen en mínimos locales subóptimos e incorpora el cambio de peso anterior en la actualización actual? 4 minutos

18.8. Gradientes que desaparecen y explotan

+ Ejercicio: ¿Cuál de las siguientes estrategias NO se menciona en el texto como una forma de mitigar los problemas de gradiente que desaparecen y explotan al entrenar redes neuronales? 4 minutos

18.9. Inicialización de pesos

+ Ejercicio: ¿Cuál es la importancia de inicializar pesos en el entrenamiento de redes neuronales, como se describe en el texto? 4 minutos

18.10. Regularización L1, L2 y abandono

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la regularización en redes neuronales es correcta? 4 minutos

18.11. Normalización por lotes

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la normalización por lotes es correcta según el texto proporcionado? 4 minutos

18.12. Entrenamiento de redes neuronales profundas

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la retropropagación en redes neuronales profundas es correcta? 4 minutos

18.13. Sobreajuste y desajuste

+ Ejercicio: ¿Cuál de las siguientes técnicas NO es recomendable para combatir el sobreajuste en redes neuronales? 3 minutos

18.14. Validación cruzada

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el entrenamiento de redes neuronales es correcta según el texto proporcionado? 4 minutos

18.15. Técnicas de aumento de datos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre el proceso de retropropagación en redes neuronales? 4 minutos

18.16. Transferencia de aprendizaje

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el proceso de retropropagación en redes neuronales? 4 minutos

18.17. RNN y retropropagación a través del tiempo

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el proceso de retropropagación a través del tiempo (BPTT) utilizado en el entrenamiento de redes neuronales recurrentes (RNN)? 4 minutos

18.18. LSTM y GRU

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la memoria a largo plazo (LSTM) y la unidad recurrente cerrada (GRU) es verdadera, según el texto proporcionado? 4 minutos

18.19. TensorFlow, PyTorch y Keras

+ Ejercicio: ¿Cuál es la función principal del algoritmo de retropropagación en el entrenamiento de redes neuronales? 4 minutos

19. Optimizadores y estrategias de regularización

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre optimizadores en Machine Learning (ML) y Deep Learning (DL) es correcta? 5 minutos

20. Construyendo redes neuronales con Keras y TensorFlow

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales con Keras y TensorFlow es correcta? 5 minutos

20.1. Introducción a TensorFlow y Keras

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es verdadera según el texto proporcionado? 4 minutos

20.2. Instalación y configuración del entorno

+ Ejercicio: ¿Cuál es el paso correcto para activar un entorno virtual Python en el sistema operativo Windows? 4 minutos

20.3. Fundamentos de redes neuronales artificiales

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales artificiales con Keras y TensorFlow es cierta, según el texto proporcionado? 5 minutos

20.4. Modelos secuenciales en Keras

+ Ejercicio: ¿Cuál es la función de activación utilizada en la última capa densa del modelo secuencial construido con Keras, según el texto? 5 minutos

20.5. Capas densas, convolucionales y recurrentes

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales con Keras y TensorFlow es correcta? 4 minutos

20.6. Regularización y normalización

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre técnicas de regularización y normalización en redes neuronales es cierta, según el texto? 5 minutos

20.7. Funciones de activación e inicializadores

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales con Keras y TensorFlow es cierta? 4 minutos

20.8. Compilación y entrenamiento de modelos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la creación y el entrenamiento de modelos de aprendizaje profundo con Keras y TensorFlow es correcta? 5 minutos

20.9. Evaluación y optimización del rendimiento

+ Ejercicio: ¿Cuál de las siguientes técnicas NO se menciona en el texto como estrategia para optimizar el rendimiento de las redes neuronales? 5 minutos

20.10. Devoluciones de llamada y guardado de modelos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el uso de devoluciones de llamada y guardado de modelos en Keras es correcta? 5 minutos

20.11. Ajuste y transferencia de aprendizaje

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe correctamente el concepto de "ajuste" en Deep Learning, como se explica en el texto? 5 minutos

20.12. Clasificación y regresión

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales utilizando Keras y TensorFlow es correcta? 5 minutos

20.13. Aplicaciones en PNL y visión por computadora

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la construcción de redes neuronales con Keras y TensorFlow es verdadera según el texto proporcionado? 4 minutos

20.14. Integración con el ecosistema de datos de Python

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta sobre la integración de TensorFlow con Keras como se describe en el texto? 4 minutos

21. Modelos de aprendizaje profundo para visión por computadora

+ Ejercicio: ¿Cuál de las siguientes arquitecturas de redes neuronales convolucionales (CNN) fue la primera en diseñarse específicamente para reconocer dígitos en cheques bancarios y establecer el estándar para futuras redes convolucionales? 5 minutos

22. Redes neuronales convolucionales (CNN)

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre las redes neuronales convolucionales (CNN) es cierta? 4 minutos

23. Transferencia de aprendizaje y ajuste fino

+ Ejercicio: ¿Cuál de los siguientes pasos NO forma parte del proceso estándar de transferencia de aprendizaje? 4 minutos

23.1. Definición de transferencia de aprendizaje

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el concepto de Transfer Learning (TL) en el contexto de la Inteligencia Artificial (IA)? 4 minutos

23.2. Beneficios del aprendizaje por transferencia

+ Ejercicio: ¿Cuál de los siguientes beneficios está asociado con el uso de Transfer Learning en aprendizaje automático y aprendizaje profundo? 4 minutos

23.3. Escenarios de aplicación

+ Ejercicio: ¿Cuál de las siguientes opciones describe mejor el proceso de ajuste en el contexto del aprendizaje por transferencia? 3 minutos

23.4. Redes neuronales previamente entrenadas

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el concepto de Transfer Learning en Deep Learning? 3 minutos

23.5. Extracción de características

+ Ejercicio: ¿Cuál es el propósito de utilizar un modelo previamente entrenado como extractor de características en el contexto del aprendizaje por transferencia? 4 minutos

23.6. Ajuste de capas

+ Ejercicio: ¿Cuál de los siguientes pasos NO es correcto según el proceso de ajuste descrito en el texto? 4 minutos

23.7. Congelación de capas

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la congelación de capas en el contexto del aprendizaje por transferencia y el ajuste en el aprendizaje profundo es cierta? 4 minutos

23.8. Adaptación de modelos a nuevos dominios

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el proceso de ajuste en Machine Learning y Deep Learning? 4 minutos

23.9. Conjuntos de datos y aumento de datos

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe mejor el proceso de ajuste en los modelos de aprendizaje profundo? 4 minutos

23.10. Optimizadores y tasas de aprendizaje

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre optimizadores y tasas de aprendizaje en Transfer Learning es correcta? 4 minutos

23.11. Regularización y prevención del sobreajuste

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el aprendizaje por transferencia y el ajuste es correcta? 4 minutos

23.12. TensorFlow, Keras y PyTorch

+ Ejercicio: ¿Cuál de las siguientes afirmaciones es cierta con respecto al aprendizaje por transferencia y las técnicas de ajuste en el contexto del aprendizaje profundo? 4 minutos

23.13. Evaluación de modelos y validación cruzada

+ Ejercicio: ¿Cuál de las siguientes afirmaciones describe correctamente el proceso de ajuste en modelos de aprendizaje profundo? 4 minutos

23.14. Transferencia de aprendizaje en visión por computadora

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el aprendizaje por transferencia en visión por computadora es cierta? 5 minutos

23.15. Transferencia de aprendizaje en PNL

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre el aprendizaje por transferencia en el procesamiento del lenguaje natural (PNL) es correcta? 4 minutos

23.16. Desafíos y limitaciones

+ Ejercicio: ¿Cuál de los siguientes es un desafío común que se enfrenta al utilizar Transfer Learning? 4 minutos

24. Procesamiento del lenguaje natural con aprendizaje profundo

+ Ejercicio: ¿Qué arquitectura de red neuronal introducida en 2017 ha sido fundamental en avances significativos en diversas tareas de procesamiento del lenguaje natural (PNL), como la comprensión de textos y la generación de lenguaje? 4 minutos

25. Redes neuronales recurrentes y LSTM

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre las redes neuronales recurrentes (RNN) y la memoria a corto plazo (LSTM) es correcta? 4 minutos

26. Introducción al aprendizaje por refuerzo

+ Ejercicio: ¿Cuál de los siguientes componentes NO es esencial en el marco del aprendizaje por refuerzo (RL)? 4 minutos

27. Modelos secuencia a secuencia y mecanismos de atención

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre los modelos de secuencia a secuencia (Seq2Seq) y los mecanismos de atención es cierta? 4 minutos

28. Desarrollo de proyectos de aprendizaje automático de extremo a extremo

+ Ejercicio: ¿Cuál de los siguientes pasos se considera crucial para comprender mejor las características de los datos en un proyecto de aprendizaje automático (ML) y aprendizaje profundo (DL)? 4 minutos

29. Estrategias para datos desequilibrados

+ Ejercicio: ¿Cuál de las siguientes técnicas se recomienda para tratar conjuntos de datos desequilibrados en problemas de aprendizaje automático y aprendizaje profundo? 5 minutos

30. Interpretabilidad de los modelos de aprendizaje automático

+ Ejercicio: ¿Cuál de las siguientes afirmaciones sobre la interpretabilidad de los modelos de Machine Learning (ML) es cierta según el texto proporcionado? 4 minutos

31. Ética y sesgo en el aprendizaje automático

+ Ejercicio: ¿Cuál de los siguientes NO es un enfoque recomendado para mitigar el sesgo en el aprendizaje automático, según el texto? 3 minutos

32. Implementación de modelos en producción

+ Ejercicio: ¿Cuál de los siguientes es un paso importante en el proceso de implementación de modelos de aprendizaje automático en producción? 4 minutos

33. Monitoreo y mantenimiento de modelos en producción

+ Ejercicio: ¿Cuál de las siguientes NO es una práctica recomendada para monitorear y mantener modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) en producción? 4 minutos

34. Técnicas de aprendizaje por refuerzo profundo

+ Ejercicio: ¿Cuál de los siguientes componentes NO es uno de los elementos principales de un sistema de aprendizaje por refuerzo profundo (DRL), como se describe en el texto? 4 minutos

35. Estudios de casos y aplicaciones del aprendizaje automático y profundo

+ Ejercicio: ¿Cuál de las siguientes aplicaciones de Machine Learning (ML) y Deep Learning (DL) se destaca en el sector sanitario, según el texto? 5 minutos