Відео

Covarianza

Excelente explicación, he revisado bastante y lo has hecho tan fácil, que hasta uno de primaria entiende este tema, saludos

🎯 Key Takeaways for quick navigation: Models of machine learning and artificial intelligence can be subject to biases due to statistical errors in data sampling or analysis. Cognitive biases, such as survivorship bias, can lead to inaccurate conclusions by focusing only on surviving data or examples, ignoring non-surviving ones. The example of Abraham Wald during World War II illustrates survivorship bias, where focusing on surviving aircraft led to incorrect conclusions about where to reinforce planes. Survivorship bias can affect various areas, like comparing music eras or studying successful individuals, leading to skewed perspectives if non-surviving data is ignored. Detecting and correcting biases in data analysis is crucial to avoid misleading conclusions or decisions. Made with HARPA AI

Buenísimo!!!

ESTO ES COVARIANZA NO CORRELACION 🥴

Saludos, la suma de los totales en los 6 departamentos que presentas no dan los totales iniciales ni en hombres, ni en mujeres, Entonces: ¿había más de 6 departamentos?, ¿Cómo fue la admisión en esos otros departamentos?

nunca subió la segunda parte

Buenos días, quisiera que me explique de acuerdo al video, donde o como se ubica la Hipótesis H0 y H1

El codigo del ejemplo de p5.js está dispobile en algun sitio

Despejo mis dudas muy fácil, gracias buena explicación, muy concisa y clara

Crack

Maquina

Fantastico, muchas gracias por el video

Si sacas la curva roc del conjunto de entrenamiento no debería dar siempre 1? Ya que le estás enseñando las etiquetas. Es que he visto un ejemplo donde sale 0,8 en el conjunto de entrenamiento

Haber si hoy en dia piensa lo mismo

Me encantó como enseñas! muy didactico todo.

❤Excelente

Me gustó mucho el video. ¿Aún no suben la parte 2?

buena explicacion y si quisieras contar las naranjas y limones por ejemplo que aparecen en tu video como harías

Muy bueno! Todo claro, GRACIAS👋👋👋

Estupenda explicación.Gracias.

Muy interesante! Me ha dado algunas ideas para el trabajo y me gustaría hablar contigo a ver si me puedes hacer un asesoramiento pagado. :) Cómo puedo contactarte?

En ambos están amarrados , el big data nos ayuda con la rapidez de procesar la cantidad de datos .. y el ML para poder predecir , lesiones , rendimiento … etc

hasta en los deportes, porque hay equipos y selecciones que se enfocan en la efectividad de una zona o de un solo jugador, pero dejan de lado al resto que presenta muchos puntos debiles. todo por enfocarse en complacer al jugador mas efectivo. ¿Y cual es la consecuencia? echarle todo el equipo al hombro a un jugador y cuando no resulta este querra irse por el fracaso.

hiciste que un chaval de 15 años aprendiz de IA comprendiese esta grafica esencial para los modelos de clasificación, mil gracias tio!

Gran contenido pibe

Gracias, muy buena explicacion

Que mal que pronuncia los nombres en inglés... y el subtítulo no ayuda... de todas formas la entrevista estuvo buena!

Muchas gracias por la explicación!

Muy pedagógico

Ánimo men que comparado con los otros videos, aquí hacen falta ganas u otra metodología, les deseo el mayor de los éxitos.

Excelente explicación....superdidactica ...muchas gracias...

2:30 3:12 Lo de Bill Gates y Amazon y más ya se sabe que se hicieron ricos gracias a sus monopolios (o sea impidiendo a otros a que creen negocios en el mismo rubro, negocio redondo) Sino, mirar el documental de Nicolas Moras sobre estos personajes

Ahora tendrás que hacer de cada genero no binarie, suerte

Muy buena aportación, en mi caso estoy buscando calcular el AUC manualmente, he buscado como se obtiene pero los paquetes de estadística ya lo traen por default, ¿en tu ejemplo como obtendría el valor de AUC y ROC?, espero me puedas apoyar con mi duda.

Gracias hermano me has salvado

Muy buena explicación. Saludos

Que ejemplos podrías dar de aplicaciones del federated learning en las telecomunicaciones? Por cierto, el vídeo está 10/10, muy bien explicado!

Hola, quisiera hacer lo mismo, pero no encuentro el código para la bola naranja y amarilla, ¿dónde estaá la bibilioteca? Mil gracias!

Hola, me gusto mucho tu explicación ,sin embargo me aparece AttributeError: 'EntitySet' object has no attribute 'entity_from_dataframe', lo cual indica que las librerias de featuretools ya cambiaron. ¿Qué sugieres? Gracias

Si el clasificador es binario, como se puede obtener un Score numérico real basado en los resultados del modelo ? 02:11

GENIAL

muy bien explicado, gracias

Hola tío! El video está genial, muy explicativo. Se está aplicando ya en nuestros dispositivos el federated learning por ejemplo de google, o todavía no?

qué ejemplo más cojonudo

Exelente ejemplo del avión y del vídeo

Genial explicación! Mi única pregunta tiene que ver con que ROC/AUC se suele utilizar para problemas de clasificación como el tuyo (0 ó 1). Sin embargo tú obtienes probabilidades. Cómo aplicas la misma lógica si en vez de probabilidades, tu algoritmo te da números enteros o clasificaciones como "perro"/"gato" en vez de darte la probabilidad de que sea perro. Cómo se modificaría el "threshold" de 0.5 en este caso y cómo se calcularía la curva ROC?

Interesante, recomiendas algún libro o curso sobre este tema? que aborde más a profundidad esta libreria

Hola. Inicias la explicación usando la matríz de confusión (predición vs realidad), sin embargo, cuando aplicas el punto de corte sólo usas los valores (V/F) de "realidad". los cocientes que se obtienen con la matriz de confusión resultan diferentes a los que se obtienen sólo tomando en cuenta sólo "realidad". Te agradeceré mucho tus comentarios.

Gracias por el video! En mi caso, tengo que saber esto por temas de medicina... Y me he dando cuenta que en algunos artículos, al lado del valor del AUC, colocan un valor de "p", por ejemplo "AUC de 0.82 (p=0.112)". ¿Qué sígnica esa "p2? Espero puedas leer mi comentario. Éxitos!