Descripción Detallada del Proyecto ML-For-Beginners

Resumen del Proyecto

ML-For-Beginners es un proyecto integral de tutoriales para principiantes en aprendizaje automático desarrollado por el equipo de Microsoft Cloud Advocates. Es un plan de estudios clásico de aprendizaje automático de 12 semanas, que comprende 26 lecciones y 52 cuestionarios, centrado en la exploración del aprendizaje automático utilizando datos culturales de todo el mundo.

Características Clave

• 🌍 Perspectiva Global: Aprende aprendizaje automático a través de datos culturales de todo el mundo.
• 📚 Curso Sistemático: Plan de estudios completo de 12 semanas, 26 lecciones detalladas.
• 🧪 Orientado a la Práctica: Metodología de enseñanza basada en proyectos, aprende haciendo.
• 🔍 Sistema de Evaluación: Incluye 52 cuestionarios, evaluación doble antes y después de la lección.
• 🎯 Aprendizaje Automático Clásico: Utiliza principalmente la biblioteca Scikit-learn, evitando contenido de aprendizaje profundo.

Filosofía de Enseñanza

Dos Principios Centrales de Enseñanza

1. Práctica Activa: Asegurar que todo el contenido se base en el aprendizaje práctico basado en proyectos.
2. Evaluación Frecuente: Asegurar la efectividad del aprendizaje a través de cuestionarios antes y después de la lección.

Estructura del Curso

Cada lección incluye los siguientes componentes:

• Apuntes a mano opcionales (sketchnote)
• Videos complementarios opcionales
• Demostraciones en video (algunas lecciones)
• Cuestionario de calentamiento previo a la lección
• Contenido escrito de la lección
• Guía paso a paso basada en proyectos
• Puntos de control de conocimiento
• Ejercicios de desafío
• Material de lectura complementario
• Tarea
• Cuestionario posterior a la lección

Programa Completo del Curso

Lecciones 1-4: Introducción a los Fundamentos del Aprendizaje Automático

• Lección 1: Introducción al Aprendizaje Automático
• Lección 2: Historia del Aprendizaje Automático
• Lección 3: Equidad en el Aprendizaje Automático
• Lección 4: Técnicas de Aprendizaje Automático

Lecciones 5-8: Análisis de Regresión

• Lección 5: Introducción a la Regresión Lineal
• Lección 6: Predicción del Precio de la Calabaza en América del Norte (Regresión Lineal)
• Lección 7: Predicción del Precio de la Calabaza (Regresión Polinómica)
• Lección 8: Introducción a la Regresión Logística

Lección 9: Desarrollo de Aplicaciones Web

• Lección 9: Construcción de una Aplicación Web

Lecciones 10-13: Algoritmos de Clasificación

• Lección 10: Introducción a los Algoritmos de Clasificación
• Lección 11: Clasificación de Cocina Asiática e India
• Lección 12: Más Algoritmos de Clasificación
• Lección 13: Sistemas de Recomendación

Lecciones 14-15: Algoritmos de Agrupamiento

• Lección 14: Introducción a los Algoritmos de Agrupamiento
• Lección 15: Explorando los Gustos Musicales de Nigeria

Lecciones 16-20: Procesamiento del Lenguaje Natural

• Lección 16: Introducción al Procesamiento del Lenguaje Natural
• Lección 17: Tareas Comunes de PNL
• Lección 18: Traducción y Análisis de Sentimientos
• Lección 19: Análisis de Reseñas de Hoteles Románticos (1)
• Lección 20: Análisis de Reseñas de Hoteles Románticos (2)

Lecciones 21-23: Análisis de Series Temporales

• Lección 21: Introducción a la Predicción de Series Temporales
• Lección 22: Predicción de Series Temporales ARIMA
• Lección 23: Predicción de Series Temporales con Regresión de Vectores de Soporte

Lecciones 24-25: Aprendizaje por Refuerzo

• Lección 24: Aprendizaje por Refuerzo y Q-Learning
• Lección 25: Aprendizaje por Refuerzo con Gym

Lección 26: Aplicaciones en el Mundo Real

• Lección 26: Aplicaciones del Aprendizaje Automático en el Mundo Real

Pila Tecnológica y Herramientas

Lenguajes de Programación Principales

• Python: Se utiliza principalmente Python para la enseñanza.
• R: Algunas lecciones ofrecen una versión en lenguaje R.

Bibliotecas y Marcos Centrales

• Scikit-learn: Principal biblioteca de aprendizaje automático.
• Ecosistema de Ciencia de Datos de Python: pandas, numpy, matplotlib, etc.

Herramientas de Soporte

• Jupyter Notebook: Entorno de programación interactivo.
• R Markdown: Se utiliza para los cursos de lenguaje R.
• Quiz App: Aplicación de cuestionarios dedicada.

Recursos de Aprendizaje

Soporte Multimedia

• Apuntes a mano para ayudar a comprender los conceptos.
• Tutoriales en video para complementar las explicaciones.
• Demostraciones de proyectos prácticos.

Sistema de Evaluación

• 52 cuestionarios (cada uno con 3 preguntas).
• Cuestionarios de preparación previa a la lección.
• Cuestionarios de consolidación posterior a la lección.
• Evaluación de proyectos prácticos.

Soporte Comunitario

• Área de discusión de GitHub.
• Herramienta de evaluación del progreso del aprendizaje (PAT).
• Aprendizaje y retroalimentación entre compañeros.

Sugerencias de Aprendizaje

Público Objetivo

• Principiantes en aprendizaje automático.
• Estudiantes con experiencia básica en programación.
• Personas que desean aprender aprendizaje automático clásico de forma sistemática.

Método de Aprendizaje

1. Haz un fork del proyecto a tu cuenta personal de GitHub.
2. Completa cada lección en orden.
3. Completa todos los proyectos prácticos.
4. Participa en discusiones comunitarias y aprendizaje entre compañeros.

Cursos Complementarios

• AI for Beginners: Contenido de aprendizaje profundo.
• Data Science for Beginners: Fundamentos de la ciencia de datos.

Equipo del Proyecto

Autores Principales

• Jen Looper, Stephen Howell, Francesca Lazzeri
• Tomomi Imura, Cassie Breviu, Dmitry Soshnikov
• Chris Noring, Anirban Mukherjee, Ornella Altunyan
• Ruth Yakubu, Amy Boyd

Diseño de Ilustraciones

• Tomomi Imura, Dasani Madipalli, Jen Looper

Colaboradores Estudiantes Embajadores

• Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj
• Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum
• Ioan Samuila, Snigdha Agarwal

Modo de Uso

Obtener el Proyecto

git clone https://github.com/microsoft/ML-For-Beginners.git

Ejecutar la Documentación Localmente

npm i docsify-cli -g
docsify serve

Acceso en Línea

• Accede directamente al repositorio de GitHub.
• Consulta la colección de Microsoft Learn.
• Mira los tutoriales en video de YouTube.

Licencia y Contribución

Este proyecto sigue una licencia de código abierto y se agradecen las contribuciones de la comunidad. El proyecto proporciona una guía de contribución detallada y un código de conducta, que admite la traducción a varios idiomas y la mejora del contenido.