ML Papers GDG CDMX Feb 2025 Session 0 by Google Developer Group CDMX

Club de estudio de
papers de ML - Sesión
0
Google Developer Group
Ciudad de México

Co-founder & Machine
Learning Engineer @ DEVF,
CodeFlux.ai
GDG | TFUG CDMX co-
organizer
@cogitovsmachina
Kike Diaz

8
Agenda del programa
Semana Fecha Lecturas Líder
1 7 Marzo 2025 A Few Useful Things to Know about Machine
Learning
Kike Diaz
2 14 Marzo
2025
Playing Atari with Deep Reinforcement
Learning
Kike Diaz
3 21 Marzo
2025
Attention Is All You Need Kike Diaz
4 28 Marzo
2025
Gradient-Based Learning Applied to Document
Recognition
Kike Diaz
5 3 Abril 2025 GANs: Generative Adversarial Networks. Kike Diaz
Ciudad de México

Nuevo patrocinador: Google
For Startups.
Aplica aquí

1
¿Cómo se ve la sesión de hoy?
Ciudad de México
1. Estudiamos
juntos en línea.
2. Atendemos
discusiones
técnicas.
3. Tocamos base
de manera
regular.

1
Ciudad de México
Puedes usar NotebookLM de
Google aquí.

5
A Few Useful Things to Know
about Machine Learning
1. Introducción.
2. Los Tres Componentes Fundamentales del
Aprendizaje.
3. Principales Conceptos Clave para Proyectos de ML.
4. Desafíos Comunes en Machine Learning.
5. Estrategias Clave para el Éxito en ML.
6. Consideraciones Filosóficas y Prácticas.
7. Conclusiones.
Google Developer
Group
Ciudad de México

1
1. Introducción.
Ciudad de México

📌 ¿Qué es el aprendizaje automático?
📌 Importancia y aplicaciones prácticas.
📌 Propósito del artículo: compartir el "folk knowledge"
esencial para proyectos exitosos de ML.
1. Introducción
1
Ciudad de México

1. Introducción
1
Ciudad de México

1
2. Los Tres Componentes
Fundamentales del
Aprendizaje.
Ciudad de México

2. Los 3 Componentes Fundamentales del
Aprendizaje.
📌 Representación:
¿Cómo se representa el modelo?
Importancia del espacio de hipótesis.
📌 Evaluación:
Función objetivo: medir qué tan bueno es un modelo.
Métricas comunes (accuracy, precisión, etc.).
📌 Optimización:
Cómo encontrar el mejor modelo dentro del espacio de hipótesis.
Métodos comunes (descenso de gradiente, búsqueda greedy).
1
Ciudad de México

2. Los 3 Componentes Fundamentales del
Aprendizaje.
1
Ciudad de México

1
3. Principales Conceptos
Clave para Proyectos de ML.
Ciudad de México

📌 Generalización: el objetivo central.
📌 La insuficiencia de los datos por sí solos.
📌 El dilema del sobreajuste (overfitting) y su relación con el
sesgo y la varianza.
3. Principales Conceptos Clave para
Proyectos de ML.
1
Ciudad de México

3. Principales Conceptos Clave para
Proyectos de ML.
1
Ciudad de México

1
4. Desafíos Comunes en
Machine Learning.
Ciudad de México

📌 La maldición de la dimensionalidad.
📌 Problemas con la intuición en espacios de alta dimensión.
📌 Limitaciones de las garantías teóricas.
1
Ciudad de México

1
Ciudad de México

1
5. Estrategias Clave para el
Éxito en ML.
Ciudad de México

📌 Ingeniería de características (Feature Engineering): la clave
del éxito.
📌 La importancia de más datos vs. algoritmos sofisticados.
📌 Probar y combinar múltiples modelos (ensembles).
📌 Cuidado con los conceptos erróneos (simplicidad ≠
precisión).
5. Estrategias Clave para el Éxito en
ML.
1
Ciudad de México

1
6. Consideraciones
Filosóficas y Prácticas.
Ciudad de México

📌 Representable no implica aprendible.
📌 Correlación no implica causalidad.
📌 Valor del conocimiento explícito incorporado.
6. Consideraciones Filosóficas y
Prácticas.
1
Ciudad de México

1
7. Conclusiones.
Ciudad de México

📌 Resumen de las mejores prácticas.
📌 Recomendaciones finales para proyectos de machine
learning.
📌 Recursos sugeridos para profundizar.
7. Conclusiones.
1
Ciudad de México

Ciudad de México
¡Gracias!
Club de estudio de
papers de ML - Sesión
0

Ciudad de México

ML Papers GDG CDMX Feb 2025 Session 0 by Google Developer Group CDMX

ML Papers GDG CDMX Feb 2025 Session 0 by Google Developer Group CDMX

Más contenido relacionado

Similar a ML Papers GDG CDMX Feb 2025 Session 0 by Google Developer Group CDMX

Más de Enrique Diaz

Último

ML Papers GDG CDMX Feb 2025 Session 0 by Google Developer Group CDMX

Notas del editor