Entrenar un modelo para que identifique

únicamente errores de sintaxis en Python.

Clasificar imágenes utilizando un conjunto de

entrenamiento previamente validado.

Predecir una etiqueta específica a partir de

datos históricos.

Conocer la estructura inherente de los datos sin utilizar etiquetas explícitas.

Determinar los pesos iniciales de una red neuronal.

Calcular la pendiente de una línea de regresión.

Realizar una división binaria en árboles de

decisión.

Clasificar las predicciones en verdadero positivo, verdadero negativo, falso positivo y falso negativo.

Deserción (Dropout). 

Aprendizaje de transferencia.

Parada temprana (Early stopping).

Aumento de datos (Data augmentation).

Regresión logística.

Propagación hacia adelante.

Validación cruzada.

Sobreajuste (Overfitting).

Aumentar la dimensionalidad de los datos para

verlos mejor.

Etiquetar automáticamente grandes volúmenes de

datos ruidosos.

Reemplazar el uso de redes neuronales en

problemas de clasificación.

Intentar generalizar marcos lineales para que sean sensibles a la estructura no lineal de los datos.

Aprendizaje por refuerzo.

Aprendizaje no supervisado.

Aprendizaje semi-supervisado.

Aprendizaje supervisado.

sort_values()

info()

head()

describe()

Spyder.

PyCharm.

Anaconda.

IPython.