Acá podrás encontrar recursos como Python notebooks y material adicional de consulta adicional
devfmx / master-data-ai Goto Github PK
View Code? Open in Web Editor NEWNotebooks del Master DS + AI
License: MIT License
Notebooks del Master DS + AI
License: MIT License
Ideas mecanismos para evaluación continua de nuestro alumnos.
Como propuesta, presento dos colabs para las clases de la sesión de Cálculo para Machine Learning Pt2 y Probabilidad para Computer Scientist Pt 2.
Para el primer caso, se propone enseñar una red neuronal simple de regresión que resuelve un problema de regresión lineal para mostrar las funciones de algoritmos de optimización del descenso de gradiente y de perdida por mínimos cuadrados (donde se introduce a ella a través de la misma regresión).
Para el segundo caso, se propone enseñar una red neuronal convolucional de clasificación que resuelve un problema de lectura de números para mostrar la parte aplicativa de la función sigmoide (donde se introduce a ella a través de la función de logística) para el uso de capas ocultas.
LIGA: https://drive.google.com/drive/folders/1Du1ICbWq7jZeDFzw3c9qDAL074o7UHti?usp=sharing
En relación a la dificultad de aprendizaje en las matemáticas, en general del alumnado, donde muchos de ellos provienen de distintas disciplinas Físico - Matemático ajenas a las Ciencias e Ingenierías como las disciplinas Sociales y Artísticas, se propone una serie de animaciones con la herramienta de Manim.
Para mejorar de forma genérica la experiencia de aprendizaje visual, Manim se enfoca al dinamismo del entorno proyectado a través de letras, fórmulas, gráficos, etc, haciendo uso de la herramienta ya conocidas como LaTeX, haciendo mas profesional las animaciones.
Dicho lo anterior, en la siguiente liga, se muestra una primera fase de lo aprendido de esta herramienta hasta la fecha, realizando únicamente animaciones con letras, y a su vez, una fracción de 3 vídeos para poder apreciar TODO lo que se puede lograr con esta herramienta para este módulo.
LIGA - Drive:
https://drive.google.com/drive/folders/1aT9VGaFaRJF5EYyfBYWql4BC8KKBwyOV?usp=sharing
En relación al tópico de Regresión Lineal de los Métodos Numéricos, se muestra en clase, un Colab aplicativo a este tema denominado "Say hello to the 'Hello, World' of ML".
Para complementar lo aprendido al colab antes mencionado, se propone el siguiente colab como un challenge para que los alumnos y alumnas, apliquen lo aprendido en esta práctica.
LIGA - Challenge:
https://drive.google.com/file/d/1eJmIO2tlNasm8hMpw5xLlAEhie92uCBz/view?usp=sharing
LIGA - Challenge Solucionado:
https://drive.google.com/file/d/1WCiCWW6GduolqnoCUHGZmhIiKn6tbVKY/view?usp=sharing
Añadir instrucciones de parte teórico práctica de la clase:
Subir reporta de ejemplo generado con Power BI: Para la clase de Data Visualization con Power BI se realizaron algunas visualizaciones con los alumnos en clase. Subir este reporte como material de apoyo para el sensei que de esta clase en el futuro.
https://docs.google.com/document/d/1vJxyaWA2R6uItv05vYy4yiodGmLVaAtxq6F6vA8oZvg/edit?usp=sharing
En cada una de las carpetas aquí mostradas, se encuentra un Challenge, del 1 al 8:
https://drive.google.com/drive/folders/1ntP4d63QAJn09AuOyXKA_r1OajOpLlK_?usp=sharing
La ayuda fue solicitada y puedieron ser cubiertas las vacantes de sensei para el batch 15 🤓
Se propone manejar un control de versiones para el contenido del master:
Está escrita como:
$$
\Vert m \Vert_F = \left(
\sum_{i,j=1}^n m_{ij}^2
\right)^{1/2}
$$
Y debería ser:
$$
\Vert m \Vert_F = \left(
\sum_{i=1}^m\sum_{j=1}^n m_{ij}^2
\right)^{1/2}
$$
Etapas:
Agregar presentación/challenge a las sesiones que lo requieran.
Agregar contenido a las presentaciones.
Encuestas comprensión del tema a través de Zoom, podría analizarse conjuntamente con la encuesta del primer día, para evaluar una evolución. Posibilidad de automatizar la recoleccion de estos datos.
Challenge modificado para utilizar directamente Augmentation.
Añadir uso de nuevas imagenes para describir convoluciones.
Como propuesta, presento unas pizarras para las clases de la sesión de Cálculo para Machine Learning y Probabilidad para Computer Scientist. Así como los apuntes correspondientes a esas clases.
Sin embargo, para aquellos que no tengan pizarra electrónica, pueden ocupar algún otro recurso. El punto es resaltar la parte teórica dinámica.
Así que el contenido de los Slides se volverá mas breve. Y también he editado su diseño.
LIGA: https://drive.google.com/drive/folders/1moZXJacP4XmXts4A6OQUgoQokjJV9nJq?usp=sharing
En relación a la dificultad de aprendizaje en las matemáticas, en general del alumnado, se habían propuesto anteriormente, dos alternativas para la mejora de la didáctica, el cuál era, el uso de una pizarra electrónica y el uso de animaciones con la herramienta Manim, para solucionar lo antes mencionado.
En busca de homogeneizar el contenido, se propone las modificaciones de las presentaciones y cambio de orden, donde el contenido, es lo que había en las pizarras, pero con el uso de animaciones de la presentación, sintetizando lo escrito en pizarra y añadiendo pequeños vídeos realizados en Manim, se busca obtener un contenido limpio, formal y dinámico.
Clase 1: Introducción al Cálculo Monovariable para Engineers - Scientist.
LIGA: https://docs.google.com/presentation/d/1R7VNXZaEaqGKz4KLjMEaJZ7uS6bfjS1mrPopqbicGbI/edit?usp=sharing
Clase 2: Introducción al Álgebra Lineal para Deep Learning.
LIGA: https://docs.google.com/presentation/d/163c_ABsudX5-VkDrz2gJlLtGCxkI7DKgy1aNhU5eMCE/edit?usp=sharing
Clase 3: Introducción al Cálculo Multivariabe para Machine Learning.
LIGA: https://docs.google.com/presentation/d/1AC6hDbtvoQPsi9gRKdExsNqsYHEgA2gZI9LtwkgMoxo/edit?usp=sharing
Extender la clase de subconsultas porque está muy cortita
El challenge es solo un subconjunto de la de Joins
La generación 8 comenzará su módulo de proyectos el 7 de Marzo, es necesario hacer un proyecto especial para ellos pues lo han solicitado. El proyecto debe tener énfasis especial en DataViz
Cambios sugeridos:
Añadir más referencias, enlaces, literatura y tutoriales específicos
Hola sensei, tengo una duda respecto al proyecto, una de las tareas es mostrar: Deporte y país con mayor número de atletas no rankeados que entraron en la lista de atletas mejor pagados, no entiendo bien a qué se refiere con eso de "no rankeados"
El objetivo es ver cuáles atletas no tenían ranking en el año pasado, es decir, que en la columna de Previous Year Rank, o su ranking era mayor a 100 o no tenga valor para esa fila.
también en la siguiente si pudieras darme más detalles de que debo obtener, no entendí bien la redacción: País con mayor número de deportes con atletas en el dataset
Respecto a esta pregunta, la redacción más bien sería: obtener el número de atletas por deporte en cada país e indicar qué país tiene más atletas en todos los deportes. Por ejemplo si USA y México tienen ambos 50 atletas en fútbol, pero USA también tiene atletas en basketball y México no, te quedas con USA
Subir de nivel de ranking significa mejorar en el ranking
Comparar 2010 VS 2020 únicamente y no los años intermedios
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.