Este itinerario está inspirado en los cursos de "Intro to Machine Learning for Coders" de Fast.ai, "ML Course" de ODS, y "Machine Learning for good" de Delta Analytics.

Para trabajar con los notebooks puedes:

1. clonar en tu equipo este contenido git clone https://github.com/SaturdaysAI/Itinerario_MachineLearning
2. Ejecutarlo con Google Colab online.
3. Ejectuarlo con Jupyter online usando mybinder.

Para poder graduarse en el programa AI Saturdays, con la mención "Machine Learning", hay que superar al menos el contenido de este itinerario. Estos ejercicios están pensandos para representar poco más del 50% del contenido de la fase "code2learn" en AI Saturdays, por tanto, en tu ciudad seguro hacéis muchas más cosas y más divertidas, pero haz estos ejercicios para asegurar unos fundamentos fuertes sobre los que luego construirás un proyecto espectacular en la fase "build2learn".

#1 - Cleaning & Exploratory Data Pandas:
Objetivo: familiarizarse con Pandas y Numpy, como limpiar y explorar datos. Estructuras de datos en python. Dinámica: a mitad de la sesión cambia a los fellows de mesa.

• Notebooks Repaso
• Notebook Pandas
• Slides intro ML (Para Ambassadors)
• Video Pandas
• Numpy Tutorial
• 2 Ejercicios con soluciones

#2 - Regression, Decision Trees:
Objetivo: Empezar a entender conceptos básicos, como montar un modelo de ML, empezar a usar sci-kit learn a través de regresiones lineales y árboles de decisión. Dinámicas: Kahoot + premio al equipo que gane el challenge.

(Paso 1) Como desarrollar un modelo:

• Guía PDF + Notebook

(Paso 2) Entender como funciona una Regresión lineal:

• PDF Guía + Notebook
• Si quieres profundizar más...(Opcional)

(Paso 3) Aprender a usar Árboles de decisión:

Opción 1: 

• Video Teórico
• Vídeo Práctica
• Notebook de los vídeos

Opción 2:

• PDF Guía + Notebook

En Clase:

• Linear Regression

• Tutorial

• Exercise LR, Notebook Challenge, Solución

• Exercise Houses Revisar

• Decision Trees

• Exercise Decision Trees & Solution

• Presentaciones DeltaAnalytics:

• Deep Dive

• Linear Regression

• Model

• Decision Trees

• Guía a Seguir:

• Guía de la sesión

#3 - FI, Random Forest Deep Dive:
Objetivo: Asentar conceptos de ML, entender gracias a los árboles de decisión como usar Random Forest.

• Notebook RF Para seguir con los vídeos
• video 1 RF, video 2 RF
• Tutorial Feature Importance

Para profundizar mas en RF:

• Notebook RF 1

• Notebook RF 2

• video 1, video 2

• Exercise Wheat Seed Classifier, Solution, Data.

• Exercise Wine Quality,data.

• Pokemon Battle Winner Data

• Guía a Seguir:

• Guía de la sesión

#4 - Unsupervised learning:
Objetivo: Una vez abordados problemas de aprendizaje supervisado, entender como hacerlo con aprendizaje no-supervisado.

• Notebook

• slides

• video PCA, video Clustering

• Guía

• Exercise UL, solution

• Notebooks complementarios

• Tutorial PCA

• Tutorial K Means

• Guía a Seguir:

• Guía de la sesión

#5 - Neural Networks, Gradient Descent:
Objetivo: entender conceptos básicos de Deep Learning y usarlos para un primer aproach.

• Notebook

• Intro to Deep Learning

• Video GD

• Tutorial

• Keras

• GD Challenge

• Challenge Keras ECG

• MNIST

• Guía a Seguir:

• Guía de la sesión

#6 - NLP:
Objetivo: entender conceptos básicos de NLP y cómo resolver problemas de NLP

• Notebook NLP

• slides NLP 1, slides NLP 2

• video NLP

• Logistic Regression theory

• Logistic Regression practice

• Logistic Regression slides

• Exercise Text classifyer Data

• [Exercise IMBD] ¿?

• Sarcasm Detection, Solution

• Guía a Seguir:

• Guía de la sesión Está todo en la guía

Adicional 1 (Algoritmos genéticos):

• Notebook Algoritmos Genéticos
• slides
• video

Adicional 2 (Time Series Analysis):

• Notebook
• slides
• video

Adicional 3 (Visualizing Data):

• Video Visualization (Opcional)
• Notebook Visualization (Opcional)
• Exercise Visualization & Sol (Opcional)
• slides
• video

Resto de sesiones hasta el Demo Day están dedicadas a la fase "build2learn", donde construiras un proyecto abierto con impacto social utilizando deep learning, puedes ver proyectos de otras ediciones aqui

Igualmente, sientete libre de compartir o proponer mejoras levantando "issues" o enviando un PR.