Mi profesor tardo dos semanas en explicar soporte vectorial y nadie entendió nada. ¡¡¡¡¡¡Usted profesor en 11 minuto lo explico a la perfección, muchas gracias!!!!!!
Me saco el sombrero que como has desarrollado la pedagogía de tus explicaciones. Desarrollas toda la intuición necesaria para adentrarse en el mundo del machine learning sin complicaciones. Muchas gracias por tus Videos.
Qué bueno Edwin! Esa es la idea, compartir contenido de buena calidad, fácil de entender y que los anime a meterse en este mundo del Machine Learning. Un saludo!
La mejor explicación, realmente muy práctico. Soy veterinario pero estoy en un posgrado de epidemiología y estoy utilizando SVM para un modelo de predicción, ya lo genere con ayuda de la documentación pero me fue muy difícil programarlo y entender la conceptualización, sin embargo, ahora me queda muy claro la lógica del algoritmo, el hiperpárametro C y Kernel, muchas gracias.
Salvador gracias por tu comentario. Qué bueno saber que el contenido resulta fácil de entender para personas como tu, que no necesariamente tienen una formación con bases tecnológicas. Un saludo!
Sí Luis. En un próximo tutorial en Python la idea es esa: tomar un problema real y analizar la forma de seleccionar los diferentes parámetros para poner a funcionar el algoritmo. Saludos!
profe ta buenaso su.... video..tome nota que yo se bastante de mate , algebra lineal y calculo.... y entender el video es mas facil... pero los que no tiene este conocimiento... entenderan??? Un abrazo.....
Sí Aldo. Para entender los detalles de implementación del algoritmo se requiere álgebra lineal. Pero la intención de este video era dar más bien una introducción general, sin tanta matemática, para entender el concepto básico. Un saludo!
Una pregunta ¿que pasa con las etiquetas ya conocidas de cada muestras de datos, durante el entrenamiento? No entiendo, se dice que la clase positiva y negativa son identificadas mediante las restricciones y dependiendo del signo se identifican como pertenecientes a una u otra clase, pero no se supone que estas muestras ya están identificadas mediante las etiquetas ya conocidas? por favor , me puede explicar esa parte soy nuevo e leído mucho pero no logro entender muy bien esa parte. y además, como se proyectan las muestras al espacio vectorial si tengo 15 características.
Excelente introducción a las SVM. Como sugerencia podrías hacer una explicación sobre Random Forests que, junto a SVM, es uno de los algoritmos más utilizados.
🔥🔥Academia Online: codificandobits.com 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios 🔥🔥
Mi profesor tardo dos semanas en explicar soporte vectorial y nadie entendió nada. ¡¡¡¡¡¡Usted profesor en 11 minuto lo explico a la perfección, muchas gracias!!!!!!
ja, ja, ja... Como siempre bienvenidos tus comentarios Pablo! Saludos!
jejeje me pasó exactamente lo mismo
Increíble explicación. No lo tuve que poner en X2 porque ya lo estaba 🤣. Nuevo sub!
Me saco el sombrero que como has desarrollado la pedagogía de tus explicaciones. Desarrollas toda la intuición necesaria para adentrarse en el mundo del machine learning sin complicaciones. Muchas gracias por tus Videos.
☺☺☺
11 minutos de pura sabiduría, muchas gracias por este valioso aporte.
Muy bien expuesto. Divulgativo. sucinto...excelente
Excelente! La mejor explicación de SVM que escuché hasta ahora.
Gracias por tu comentario Gustavo. Sí, esa es la intención, explicar de la mejor manera posible todos estos conceptos. Un saludo!
Excelente explicación, gracias
Que grande Miguel, cada vez entiendo mejor
Qué precioso el video, súper entendible este bendito tema de las SVM
Gracias por la explicación
Muchas gracias, lo entendí a la perfección!
Gracias por tu comentario Lorenzo. Cuéntame si estás interesado en profundizar en este u otros temas, quedo atento a cualquier sugerencia. Un saludo!
Muy buena explicacion
Una visión de conjunto que da sentido a los desarrollos matemáticos.
ME ENCANTÓ! GRACIASS
Gracias por tu comentario Dara. Un saludo!
Explicas muy bien! Muchas gracias por este contenido tan valioso!
Muchísimas gracias por tan formidable explicación
Gracias, muy útil
Gracias Maestro
Te felicito, excelente explicación del concepto... Sigue adelante, saludos desde Ecuador
Gracias Cristhian. Un saludo a ti también!
Muchas gracias por la información
Qué buen video che..un maestro la verdad
Muy bien explicado gracias
Excelente vamos muy bien
;)
Como siempre muy buen video y excelente explicación. Me inspira a seguir aprendiendo.
Qué bueno Edwin! Esa es la idea, compartir contenido de buena calidad, fácil de entender y que los anime a meterse en este mundo del Machine Learning. Un saludo!
Buenísimo, gracias!
Usted como siempre explicando muy claramente y con ejemplos agradables.
:) :) Sí Daniel, creo que un buen ejemplo ayuda a aclarar muchas ideas. Un saludo!
Que excelente, gracias
Muy buena explicación!!!
Al fin pude entender el concepto! Qué fácil explica, por otro lado ¿Cómo se puede generar una gráfica en 3D como las que se muestran en el video?
La mejor explicación, realmente muy práctico. Soy veterinario pero estoy en un posgrado de epidemiología y estoy utilizando SVM para un modelo de predicción, ya lo genere con ayuda de la documentación pero me fue muy difícil programarlo y entender la conceptualización, sin embargo, ahora me queda muy claro la lógica del algoritmo, el hiperpárametro C y Kernel, muchas gracias.
Salvador gracias por tu comentario. Qué bueno saber que el contenido resulta fácil de entender para personas como tu, que no necesariamente tienen una formación con bases tecnológicas. Un saludo!
Muy clara explicación! muchas gracias!
;)
Excelente explicación 👍🏼
Gracias por tu comentario Santiago. Un saludo!
Genial explicación! Espero más vídeos así, mil gracias !!
;)
Las animaciones para dar ejemplos uff una belleza, no no, otro nivel
Excelente explicación, realmente muy intuitivo.
Sería bueno tener un punto de referencia para seleccionar el valor C y el Kernel.
Sí Luis. En un próximo tutorial en Python la idea es esa: tomar un problema real y analizar la forma de seleccionar los diferentes parámetros para poner a funcionar el algoritmo.
Saludos!
Muy bueno!
profe ta buenaso su.... video..tome nota que yo se bastante de mate , algebra lineal y calculo.... y entender el video es mas facil... pero los que no tiene este conocimiento... entenderan??? Un abrazo.....
Sí Aldo. Para entender los detalles de implementación del algoritmo se requiere álgebra lineal. Pero la intención de este video era dar más bien una introducción general, sin tanta matemática, para entender el concepto básico. Un saludo!
Que BN explicado está
Veo también además de las SVM un muy buen conocimiento sobre el ciclismo 😅... Que buena explicación!
ja, ja, ja... claro que sí. Fanático del ciclismo!
Genial, muchas gracias
Gracias por tu comentario Juan Manuel. Saludos!
si ingreso a la acdemia puedo quedar bien para hacer ml?
Muy buena explicación, solo falta la formualción matematica para hacerlo a mano
Una pregunta ¿que pasa con las etiquetas ya conocidas de cada muestras de datos, durante el entrenamiento? No entiendo, se dice que la clase positiva y negativa son identificadas mediante las restricciones y dependiendo del signo se identifican como pertenecientes a una u otra clase, pero no se supone que estas muestras ya están identificadas mediante las etiquetas ya conocidas? por favor , me puede explicar esa parte soy nuevo e leído mucho pero no logro entender muy bien esa parte.
y además, como se proyectan las muestras al espacio vectorial si tengo 15 características.
Excelente introducción a las SVM. Como sugerencia podrías hacer una explicación sobre Random Forests que, junto a SVM, es uno de los algoritmos más utilizados.
Paco hace pocas semanas publiqué precisamente un video sobre Random Forests. Un saludo!
Genioooooo
como sabes que necesito una dimension mas?
Excelente video, en qué software haces las animaciones?
Uso algo de Python, a veces Keynote y en otras adobe after effects. Un saludo!
Oye pero qué bonito
Completico parse ese video
Excelente explicacion, muchas gracias
Gracias. Muy bien explicado.
Excelente explicación. Muchas gracias!!
Excelente, magistral, muchas gracias.!
Buenísima explicación! Gran trabajo!