El día de hoy sábado 09 de setiembre, se realizo el Meetup de Python Cali, en el cual se revisaron temas relacionados a la aplicación de Python en la Inteligencia Artificial. Los temas tratados fueron principalmente dos:

Procesamiento del Lenguaje Natural

En el primer bloque, estuvo a cargo de Jefferson quién explico sobre el procesamiento natural y los desafíos que implica al tratar de entender el lenguaje, desafíos como:

  • Interpretar los sentimientos
  • Ambigüedad en el lenguaje
  • Intención del mensaje
  • Contexto de la comunicación

Considerando que el lenguaje natural es enorme, confuso y ambiguo. Pero ante esta confusión hay un conjunto de herramientas en Python que pueden ayudarnos con estos desafíos, las mencionadas fueron:

Algunos libros recomendados fueron:

Introducción al Machine Learning con Python

En el segundo bloque se revisaron conceptos relacionados a Machine Learning, y estuvo a cargo de Camilo.

Se destaco el hecho de que actualmente existen muchas empresas que brindan servicios con librerías de Machine Learning básicamente para ser utilizadas. Se mencionaron las siguientes:

La charla estuvo centra en explicar el proceso y los algoritmos básicos que se pueden utilizar en Machine Learning, tales como:

  • Regresión lineal
  • Regresión logística
  • Arboles de decisión
  • Random Forest
  • Maquina de Soporte Vectorial
  • KVecinos más cercanos
  • K-Means
  • Redes Neuronales

Así mismo se mencionaron las librerías base de Python para Machine Learning:

  • Numpy
  • SciPy
  • Pandas
  • MatplotLib
  • ScikiLearn
  • TensorFlow

Algunas recomendaciones principales fueron:

  • Se debe evaluar más de un algoritmo de Machine Learning para un determinado problema y comparar los resultados. Esto permite elegir el algoritmo adecuado para el problema que se esta intentando resolver.
  • Se debe revisar los datos con los cuales se trabajara el problema de Machine Learning, esto con la finalidad de evaluar la consistencia de los mismos.
  • El proceso de Machine Learning es un proceso de prueba y error en base a la información y a los algoritmos seleccionados. En todo momento se debe tener especial cuidado con la sobre-evaluación y la sub-evaluación de los datos. Es decir en ocasiones por minimizar el error se escoge un algoritmo que se ajusta tanto a los datos, que cuando se ingresan nuevos datos, el algoritmo no se puede utilizar.

Nota:

Consultamos sobre las presentaciones, en cuanto las agreguen o agreguen información adicional, la compartimos en este post.

Espero les sirva para iniciarse en este mundo de Machine Learning con Python o aquellos que ya se encuentran inmersos, que les pueda brindar información adicional.

Por favor, dejen sus dudas en los comentarios.

 

 

Machine Learning con Python – Resumen del Meetup
Si te gusto, comparte ...Email this to someone
email
Share on Facebook
Facebook
Tweet about this on Twitter
Twitter
Share on LinkedIn
Linkedin
Share on Google+
Google+
Etiquetado en:        

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Facebook
A %d blogueros les gusta esto: