Descenso de gradiente
SGD, Momentum, RMSProp y Adam compiten sobre cuatro superficies de pérdida. Cambia la tasa de aprendizaje, el punto inicial y el ruido.
Portal de ingeniería · Aprendizaje automático
Machine Learning Engineering & Artificial Intelligence
Teoría rigurosa, código que se ejecuta y simulaciones que se pueden tocar. Desde el álgebra lineal hasta cómo un Transformer elige la siguiente palabra.
- Laboratorios
- 10
- Temas
- 80
- Papers
- 17
- Niveles
- 10
Laboratorios
Ver todos →Sobreajuste y regresión polinómica
Sube el grado del polinomio y observa cómo el error de validación forma una U. Regularización L2 incluida.
Lasso contra Ridge
La geometría del rombo L1 y el círculo L2, y los caminos de regularización de un modelo de 8 variables.
Árbol de decisión y Random Forest
El árbol crece corte a corte buscando la menor impureza de Gini. Compáralo con un bosque de 25 árboles.
K-means paso a paso
Asignar y actualizar hasta converger. Inicialización aleatoria contra k-means++ y método del codo.
La función sigmoide
La activación, su derivada y la saturación. Comparación con tanh y ReLU.
Últimos artículos
Transformers
Self-attention en NumPy verificada contra PyTorch, un mini-GPT de 248.064 parámetros entrenado en CPU y el recuento exacto de los 124.439.808 parámetros de GPT-2 small.
Leer artículo → Deep Learning · artículo completoRedes neuronales
Un perceptrón multicapa escrito a mano en NumPy reconoce dígitos con un 97,3 % de acierto; su gradiente coincide con el numérico en 10 decimales.
Leer artículo → Machine Learning · artículo completoGradient Boosting y XGBoost
Boosting desde cero en 15 líneas, frente a scikit-learn y XGBoost: R² de 0,936 en un problema no lineal, y un caso real donde no supera a la regresión lineal.
Leer artículo →Algoritmos destacados
- Random ForestMachine Learning · artículo + laboratorio
- Regresión linealMachine Learning · artículo + laboratorio
- Regresión logísticaMachine Learning · artículo + laboratorio
- Gradient Boosting y XGBoostMachine Learning · artículo + laboratorio
- Redes neuronalesDeep Learning · artículo + laboratorio
- TransformersDeep Learning · artículo + laboratorio
- K-meansClustering · laboratorio
- Transformer VisualizerLLM · 13 etapas interactivas
Ruta de aprendizaje
Ver la ruta →Proyectos
Ver todos →Mantenimiento predictivo en fresadoras
Predecir fallos de máquina con el dataset AI4I 2020 para programar mantenimiento antes de la avería.
Ver el proyecto →Papers
Biblioteca →- LoRA: Low-Rank Adaptation of Large Language ModelsE. J. Hu et al. et al. · 2022
- Learning Transferable Visual Models From Natural Language SupervisionA. Radford et al. et al. · 2021
- Language Models are Few-Shot LearnersT. B. Brown et al. et al. · 2020
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksP. Lewis et al. et al. · 2020