Notas y ejercicios de mi paso por el curso de Machine Learning de Andrew Ng en Coursera. https://www.coursera.org/learn/machine-learning . Hago estas notas durante el curso para facilitar mi aprendizaje. Las comparto por si llegan a ser útiles para otros; seguramente serán útiles para mi yo del futuro. Las hago en español porque en internet suele haber menos contenido técnico en español que en inglés, y el idioma es una barrera para el aprendizaje.
El código fuente de estas notas está (al menos hoy) en https://github.com/aguadopd/coursera-ml-ng . Probablemente suba mis ejercicios a este repositorio también, pero deberé encriptarlos para no violar el código de honor.
Escribí todo en Org-mode en Emacs (Spacemacs). Estoy experimentando con esto. Exporté todo a HTML y hoy vive en línea gracias al hosting gratuito de https://pages.github.com/ .
El curso me pareció una buena introducción a algunos temas principales del machine learning. No ahondó en formalismos matemáticos, y quizás faltaron cuestiones prácticas de implementación. Aún así, vimos la esencia detrás de los algoritmos y tuvimos ejercicios varios en Octave/Matlab, para poner en práctica lo que ibamos aprendiendo.
Realizado durante el 2020, año de la ¿primera? gran cuarentena por el COVID-19. Lo hice con algunos amigos de ZA: Alan, Rodri, y Rocío que nos acompañó un buen trecho.
Compartido todo bajo CC BY 4.0
El tiempo sugerido oficialmente para el curso es de 6 horas por semana. Yo, sin embargo, nececesité aproximadamente 7 horas por semana (media absoluta). En realidad, las primeras semanas me llevaron casi 10 horas cada una, mientras que las últimas fueron más rápidas. Este es el tiempo durante el curso. Luego le dedicaré más tiempo a repasar y completar algunas cosas que me quedaron pendientes. No sé si las registre acá.
| Fecha | Horas | Actividad | Notas | |
| <20> | ||||
|---|---|---|---|---|
| [2020-03-29 dom] | 01:00 | Comienzo. Creo carpetas para ir guardando las cosas | ||
| [2020-03-30 lun] | 03:00 | S1. Comienzo notas y semana 1. | ||
| [2020-04-04 sáb] | 05:30 | S1. Model and cost function, Parameter learning. | ||
| [2020-04-05 dom] | 01:20 | S1. Algebra review. | ||
| [2020-04-06 lun] | 01:10 | S2. Multivariate linear regression hasta Feature scaling | ||
| [2020-04-08 mié] | 02:30 | S2. Mv. linear regression y Computing parameters analitically | ||
| [2020-04-09 jue] | 01:00 | S2: Octave/Matlab tutorial. | ||
| [2020-04-11 sáb] | 04:00 | S2: Programming assignment: linear regression. | ||
| [2020-04-14 mar] | 02:00 | S2: Completo notas. | ||
| [2020-04-16 jue] | 02:00 | S3. Classification and representation. | ||
| [2020-04-17 vie] | 02:00 | S3. Classification and representation. Decision boundary. | ||
| [2020-04-17 vie] | 00:40 | S2. Pienso en Feature scaling. | ||
| [2020-04-17 vie] | 00:20 | S3. Logistic regression model. | ||
| [2020-04-18 sáb] | 01:30 | S2. Reviso notas y sigo pensando en feature scaling. | ||
| [2020-04-18 sáb] | 01:10 | S3. Logistic regression model. | ||
| [2020-04-18 sáb] | 00:30 | S3. Multiclass classification. Review. | ||
| [2020-04-18 sáb] | 02:00 | S3. Solving the problem of overfitting. | ||
| [2020-04-19 dom] | 03:30 | S3. Programming assignment y completo notas. | ||
| [2020-04-21 mar] | 01:40 | S4. Review cosas S3. S4: Motivations, Neural Networks | ||
| [2020-04-22 mié] | 00:40 | S4. Model representation II, Examples and intuitions. | ||
| [2020-04-23 jue] | 00:30 | S4. Examples and intuitions. Multiclass classification. Quiz. | ||
| [2020-04-24 vie] | 01:30 | S4. Programming assignment: multiclass classification & NN | ||
| [2020-04-26 dom] | 02:30 | S5. Cost function and backpropagation. | ||
| [2020-04-28 mar] | 00:45 | S5. Backpropagation intuition. | ||
| [2020-04-29 mié] | 01:15 | S5. Backpropagation in practice. | ||
| [2020-04-30 jue] | 00:30 | S5. Putting it together. | ||
| [2020-05-01 vie] | 03:00 | S5. Programming assignment: NN learning. | ||
| [2020-05-03 dom] | 00:45 | S5. Programming assignment: NN learning. Notas. | ||
| [2020-05-04 lun] | 01:10 | S6. Evaluating a learning algorithm. | ||
| [2020-05-05 mar] | 01:00 | S6. Bias vs variance. | ||
| [2020-05-08 vie] | 00:15 | S6. Bias vs variance. | ||
| [2020-05-09 sáb] | 00:30 | S6. Bias vs variance. | ||
| [2020-05-09 sáb] | 03:30 | S6. Programming assignment: Regularized linear regression and bias/variance. | ||
| [2020-05-09 sáb] | 01:10 | S6. Building a spam classifier. Handling skewed data. Using large datasets. | ||
| [2020-05-10 dom] | 00:30 | S6. Using large datasets. Review. | ||
| [2020-05-11 lun] | 01:00 | S7. Large margin classification. | ||
| [2020-05-12 mar] | 01:20 | S7. Large margin classification. Kernels. | ||
| [2020-05-13 mié] | 00:40 | S7. Kernels. Using an SVM. | ||
| [2020-05-16 sáb] | 00:30 | S7. Using an SVM. | ||
| [2020-05-16 sáb] | 02:00 | S7. Programming assignment: SVMs | ||
| [2020-05-23 sáb] | 01:30 | S8. Clustering | ||
| [2020-05-23 sáb] | 00:45 | S8. Dimensionality reduction. Motivation. PCA. | ||
| [2020-05-24 dom] | 02:30 | S8. PCA. Programming assignment. | ||
| [2020-05-25 lun] | 01:10 | S8. Programming assignment: K-means clustering and PCA. | ||
| [2020-05-26 mar] | 01:00 | S9. Density estimation. | ||
| [2020-05-27 mié] | 02:00 | S9. Anomaly detection. Multivariate gaussian. | ||
| [2020-05-30 sáb] | 03:00 | S9. Predicting movie ratings. Collaborative filtering. | ||
| [2020-06-02 mar] | 01:30 | S9. Programming assignment: anomaly detection and recommender systems. | ||
| [2020-06-03 mié] | 00:30 | S9. Programming assignment: anomaly detection and recommender systems. | ||
| [2020-06-03 mié] | 00:10 | S10. Learning with large datasets. | ||
| [2020-06-04 jue] | 00:30 | S10. Stochastic gradient descent. | ||
| [2020-06-05 vie] | 00:40 | S10. Online learning. | ||
| [2020-06-06 sáb] | 00:45 | S10. Map reduce and data parallelism. Review. | ||
| [2020-06-08 lun] | 00:30 | S11. OCR. Sliding windows. | ||
| [2020-06-10 mié] | 01:20 | S11. Getting lots of data. Ceiling analysis. Quiz. Conclusion. | ||
| [2020-06-12 vie] | 01:30 | Formateo y puesta en línea. | ||
| 81:10 |