Frednides Guillén Guerra

Le consulté a Perplexity sobre herramientas para aprender ML básico y me indicó lo siguiente:

Para ML básico conviene combinar 3 tipos de herramientas: plataforma de notebooks, librerías en Python y recursos educativos interactivos. 1. Entornos para practicar (sin instalar nada) * Google Colab – Notebooks en la nube, gratis, con GPU opcional; ideal para seguir tutoriales de ML en Python. * Jupyter Notebook – Entorno clásico para experimentar paso a paso en local (o en la nube).​

2. Librerías de Python para ML clásico

• Scikit-learn - La librería estándar para aprender clasificación, regresión, clustering y validación de modelos.
• NumPy y pandas – Para manejar vectores, matrices y dataframes antes de meter los datos al modelo.

3. Recursos guiados para aprender

• Machine Learning Crash Course (Google) – Curso corto, gratuito, con videos y ejercicios en Colab.
• Kaggle – Competencias sencillas, datasets y notebooks públicos para copiar/editar y aprender por proyectos.
• GeeksforGeeks Machine Learning Tutorial – Artículos introductorios de teoría + código en Python.
• Machine Learning Mastery “Start Here” – Guías paso a paso para ML aplicado con Python y scikit-learn.

Se puede emplear ML para detección de anomalías, para ello:

• Se entrena K-Means sobre tráfico de red, métricas de servidor o transacciones financieras para aprender los “patrones normales” de comportamiento.
• Las nuevas observaciones muy lejanas a cualquier centroide de cluster se marcan como posibles anomalías, útiles para fraude, intrusiones o fallos en sistemas.

Un ejemplo muy típico de uso de árboles de decisión es la aprobación de préstamos en un banco, para ello:

• El banco construye un árbol usando historial de clientes, con variables como score crediticio, ingreso anual, estabilidad laboral y nivel de deuda, y la etiqueta “aprueba” / “rechaza”.
• El árbol aprende reglas del tipo: “si score < 600 ⇒ rechazar; si score ≥ 600 y ingreso ≥ 50 000 ⇒ aprobar”, y luego se usa para decidir automáticamente si aprobar nuevos préstamos de forma interpretable para el analista de riesgo.

Ell machine learning supervisado usa datos etiquetados para aprender a predecir una salida concreta, mientras que el machine learning no supervisado trabaja con datos no etiquetados para descubrir patrones ocultos sin que se le diga cuál es la respuesta correcta.

Excelente clase, respecto al ejemplo de ejecutará de forma sencilla una web en www.netlify.com , me surge una pequeña preocupación o digamos mejor se me encienden varias alertas y una de ellas es la privacidad de la información contenida en los archivos enviados o subidos a www.netlify.com o cualquier otra aplicación que usemos , ya que dentro de uno de esos archivos va la clave secreta de la API Key y así cuán cualquier otra información sensible dentro del código script , etc. Lo mismo con nuestros datos personales suministrados a cualquier plataforma. ¿Qué acciones podría tomar para sentirme un poco más seguro cuando utilice cualquier aplicación de IA? Este tema para mí es crucial ya que a muchas páginas le han filtrado los datos y muchos de nuestros datos están circulando en internet y es por eso hay tantos bots de llamadas y mensajes falsos y de estafa.

Hola. Me facilitan la tarea please. Gracias

Llevo varios años utilizando ChatGPT y no me había percatado que puedo trabajar sobre un Canvas, esto si que es un "Game Changer". Excelente toda esta información, el curso está muy bueno. Gracias.