Nota: aunque el inglés es el idioma dominante en el mundo, en los negocios, en la academia, y también en el Machine Learning, prefiero hacer esta sección en español por dos motivos: amo mi idioma, y en la medida de lo posible trato de no usar palabras extranjeras; y porque quiero que esta sección se convierta en material de consulta de los hispanohablantes.
Acústica/acústica submarina/scattering acústico
Esta sección está relacionada con mi investigación y doctorado en clasificación de minas/UXOs submarinos usando sonar de baja frecuencia.
- Acoustic Field Modes Around a Rigid Sphere
- Scattered Field Mode Decomposition — Rigid Sphere
- Acoustic pulses scattered by a rigid sphere in a fluid
El área de estudio denominada Machine Learning ya es tan amplia que difícilmente es posible estar al tanto de cada novedad que surge. Y a pesar de leer y estudiar acerca de nuevos algoritmos constantemente, como suele ocurrir, la teoría y la práctica son muy diferentes, así que es necesario ponerse manos a la obra y probar uno mismo qué es eso que ha estado estudiando.
Con el objetivo de construir una especie de portafolio y evidencia de los conceptos y tecnologías que uso, aprendo y voy explorando, he construido esta sección, la cual seguramente evolucionará constantemente. Igualmente, espero que este contenido sirva para validad mi experiencia frente a posibles nuevas oportunidades laborales.
Adicionalmente, desde mi perspectiva esta sección también cumple con dos funciones más:
- Me sirve como bitácora para llevar un histórico de temas leídos y aplicados.
- Espero que pueda constituirse como una buena fuente de información en español acerca de Machine Learning. Soy muy exigente con la rigurosidad conceptual y matemática de lo que publico, y me interesa que sea lo más claro posible, pensando siempre en explicar bien aquello que me ha costado entender o que es difícil de encontrar. Si encuentran errores, no duden en comentarlo e escribirme.
Finalmente, es muy importante mencionar que gran parte del contenido que iré publicando será tomado o adaptado de libros, cursos en línea, artículos u otras fuentes. Siempre que sea así, daré los créditos correspondientes. Además, trataré de que cada artículo tenga añadido algún tipo de material con el que el lector pueda experimentar y probar lo que ha leído, como scripts alojados en GitHub.
A medida que voy adentrándome más en el campo del análisis de datos y la inteligencia artificial, me he dado cuenta que mi perfil corresponde bastante con el de un Data Scientist. Ya que en esta industria hay tantos cargos, y cada empresa los llama diferente, comenzaré con una serie de entradas donde se trata de establecer algunas diferencias entre ellos, aunque es innegable que todos están más o menos relacionados entre sí.
Entradas:
- ¿Cómo fue mi primera prueba formal para un cargo de MLE?
- ¿Cuál es el perfil de un Machine Learning Engineer (MLE)?
- ¿Cuál es el perfil de un Software Engineer – Machine learning?
- ¿Cuál es el perfil de un Software Engineer (SE)?
- ¿Cuál es el perfil de un Data Scientist (DS)?
- ¿Cuál es el perfil de un Data Analyst (DA)?
- ¿Cuál es el perfil de un Deep Learning Engineer (DLE)?
- ¿Cuál es el perfil de un Software Engineer – Deep Learning?
- Comparación entre las habilidades de los diversos perfiles de IA.
- Sencilla aplicación de Regresión Lineal con Scikit Learn en Python. Explicación netamente práctica, no se toca temas teóricos acerca de la regresión lineal.
- Modificación del algoritmo anterior, tan solo con un par de líneas, para usar un modelo diferente: el K-Nearest Neighbors.
- Explicación detallada de cómo puede analizarse una regresión logística como una neurona (una «red neuronal» muy básica), incluyendo una aplicación práctica en Python para clasificar imágenes, sin usar ningún tipo de módulo (es decir, haciendo todo desde cero).