Clase 1: ¿Por qué usar Scikit-learn?

• Curva de aprendizaje suave.
• Es una biblioteca muy versátil.
• Comunidad de soporte.
• Uso en producción.
• Integración con librerías externas.

Clase 2: ¿Cómo aprenden las maquinas?

Las maquinas aprenden de datos. Desde el punto de vista de los datos, podemos aplicar tres técnicas según la naturaleza y disponibilidad de los mismos:

• Aprendizaje supervisado: Algoritmo por observación.
• Aprendizaje no supervisado: Algoritmo por prueba y error.
• Aprendizaje por refuerzo: Algoritmo por descubrimiento.

Clase 3: Problemas que podemos resolver con Scikit-learn.

Algunas limitaciones de Scikit-learn

1- No es una herramienta de Computer Vision.

2.- No se puede correr en GPUs.

3.- No es una herramienta de estadística avanzada.4.- No es muy flexible en temas de Deep Learning.

Qué problemas podemos abordar con Scikit-learn?

• Clasificaciones: Necesitamos etiquetar nuestros datos para que encajen en alguna de ciertas categorías previamente definidas.Ejemplos: ¿Es cáncer o no es cáncer?, ¿La imagen pertenece a un Ave, Perro o Gato?, ¿A qué segmento de clientes pertenece determinado usuario?
• Regresión: Cuando necesitamos modelar el comportamiento de una variable continua, dadas otras variables correlaciones.Ejemplos: Predecir el precio del dólar para el mes siguiente, el total de calorías de una comida dados sus ingredientes, la ubicación más probable de determinado objeto dentro de una imagen.
• Clustering: Queremos descubrir subconjuntos de datos similares dentro del dataset. Queremos encontrar valores que se salen del comportamiento global.Ejemplo: Identificar productos similares para un sistema de recomendación, descubrir el sitio ideal para ubicar paradas de buses según la densidad poblacional, segmentar imágenes según patrones de colores y geometrías.