Sección 00 de Tensores para Aprendizaje Automático. Carga todos los conjuntos de datos y confirma que tu entorno funciona antes de que empiece el taller. Cuatro palabras sostienen el resto, y no necesitas ningún conocimiento técnico para ellas.

Estudia aquí y luego ejecuta lo real: [cuadern

Parte I de Tensores para Aprendizaje Automático. Un tensor es una forma de organizar números usando una o más direcciones, llamadas ejes. Esta sección te enseña a leer esos ejes antes de hacer cualquier cosa más avanzada.

Si vas con retraso, recorta material de los apéndices, no la Parte

Parte II de Tensores para Aprendizaje Automático. El objetivo es sencillo:

No leas un tensor como una lista de números. Lee cada eje como una pregunta: «¿Qué cuenta este eje?»

Dos tensores pueden tener formas idénticas y no significar nada parecido. La notación del capítulo 2 no tien

Parte III, bloque 1 de Tensores para Aprendizaje Automático. Dos habilidades prácticas: indexación — elegir exactamente las filas, columnas o valores que necesitas — y broadcasting — aplicar un conjunto pequeño de números sobre un arreglo más grande sin copiarlos a mano.

Aquí también

Parte III, bloque 2 de Tensores para Aprendizaje Automático. Una idea que evita muchos errores silenciosos:

Cambiar la forma de un tensor no es lo mismo que mover sus ejes.

Los microscopios y las cámaras ordenan sus ejes según el hardware, no según lo que espera un modelo. Equivocars

Ejercicio grupal de la Parte III de Tensores para Aprendizaje Automático. Un pipeline de video es el camino desde un archivo de video hasta el tensor que realmente recibe un modelo:

archivo crudo → fotogramas decodificados → lote preprocesado → entrada del modelo → salida del modelo

Parte IV, bloque 3 de Tensores para Aprendizaje Automático. Una regla que parece compacta en el código y tiene un significado muy sencillo:

Si un índice desaparece después de ->, NumPy suma sobre él. Si el índice permanece, sobrevive en la salida.

Los sistemas de recomendación y bú

Parte IV, bloque 4 de Tensores para Aprendizaje Automático. Usa una sola pregunta durante todo el recorrido:

¿Existe una inversa exacta? Si no existe, ¿qué respuesta útil nos entrega la pseudoinversa?

En aprendizaje automático A casi nunca es cuadrada: una fila por ejemplo, una col

Demostración de la Parte IV de Tensores para Aprendizaje Automático. Un patrón muy sencillo:

Usar el estado actual para crear el siguiente estado y repetir.

El mismo patrón aparece en los números de Fibonacci, en la iteración de potencias y en un pronóstico real de pasajeros mensuale

Parte IV, bloque 5 de Tensores para Aprendizaje Automático. La sección 01 dibujó el mapa de las factorizaciones. Esta sección lo recorre, sobre datos reales, y responde las dos preguntas que de verdad tiene quien trabaja con esto: cuál elijo para estos datos y cuánto me cuesta.

La idea or

Parte IV, bloque 6 de Tensores para Aprendizaje Automático. Una pregunta práctica:

¿Cómo podemos comprimir un tensor conservando el significado de sus distintos ejes?

PCA comprime una matriz: dos ejes. Los datos reales suelen tener más. La descomposición de Tucker generaliza

Parte IV, bloque 7 de Tensores para Aprendizaje Automático. La sección 09 preguntó qué factorización y cuánto cuesta un orden más abajo, sobre matrices. Esta sección se lo pregunta a los tensores.

Una descomposición tensorial no es solo una técnica de compresión. Cada una hace un supuesto

El cierre de Tensores para Aprendizaje Automático. Esta sección tiene dos objetivos: conectar las ideas de las trece secciones y entregarte las extensiones.

Una idea conecta las secciones 07, 09 y 10: cuando un problema no tiene respuesta exacta ni inversa verdadera, no te rindes. **Busca