Adaptly

Acompañamiento del libro

Laboratorios de Machine Learning

Escanea el QR de un capítulo o abre un laboratorio directo. Necesitas tu cuenta de Adaptly para abrirlos.

Acceso de lector

Abrir los laboratorios del libro

Los laboratorios son para alumnos con cuenta. Entra o crea tu cuenta para abrirlos.

01Operadores frente a arquitectosPensamiento de sistemas para machine learning02Competiciones frente a negocioDel leaderboard al resultado de producto03Ingeniería de variablesDel dato crudo a una señal util para el modelo04Los datos son geometríaEntender los datos por estructura y distancia05Correlación, causalidad y por qué miente el modeloFugas, sesgo y patrones engañosos06El problema de la interpretabilidadExplicar el modelo sin fingir certeza07La evaluación como disciplinaEvaluar más allá de una sola metrica08Construir sistemas, no demosListo para producción y pensamiento operativo09El stack moderno de MLElegir herramientas por responsabilidad de sistema10RAG bien hechoLa recuperación como sistema evaluado11Arquitecturas de agentes: ruido y realidadBucles de agente seguros y límites de control12Fine-tuning frente a promptingCoste, calidad y compromisos operativos13Cuantización e inferencia eficienteLatencia, caudal, coste y calidad14Construir tu maquina de MLCómputo local, cloud o híbrido15Dependencia de API frente a soberanía de computoRiesgo del proveedor, enrutado y auditoría16Las matemáticas que de verdad hacen faltaRazonamiento matemático practico para ingenieros de ML17La capa de ciencia de datosAuditar los datos antes de ambicionar el modelo18Programación competitiva y pensamiento MLDisciplina algorítmica dentro de los sistemas ML19Cómo evalúa la gran tecnología a los ingenierosComunicar el diseño de un sistema ML20Qué construyes despuésConvertir el libro en un proyecto concreto