index.xml

<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Ángel Pachón Solana</title>
    <link>https://apachon.github.io/</link>
    <description>Recent content on Ángel Pachón Solana</description>
    <generator>Hugo -- gohugo.io</generator>
    <language>en-us</language>
    <lastBuildDate>Thu, 24 Sep 2020 10:18:52 +0200</lastBuildDate>
    
	<atom:link href="https://apachon.github.io/index.xml" rel="self" type="application/rss+xml" />
    
    
    <item>
      <title>GET_WEEK_INFO_BASED_ON_DATE: Obtener información de una semana en ABAP</title>
      <link>https://apachon.github.io/blog/20200924-get_week_info_based_on_date-obtener-informaci%C3%B3n-de-una-semana-en-abap/</link>
      <pubDate>Thu, 24 Sep 2020 10:18:52 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200924-get_week_info_based_on_date-obtener-informaci%C3%B3n-de-una-semana-en-abap/</guid>
      <description>Módulo de funciones que a partir de una fecha de entrada (date) nos retorna el número de semana (week), el primer día de la semana (monday) y el último día de la misma (sunday).
 CALL FUNCTION &#39;GET_WEEK_INFO_BASED_ON_DATE&#39;
EXPORTING
date = lv_hoy
IMPORTING
week = lv_nweek
monday = c_date_ini
sunday = c_date_fin.
</description>
    </item>
    
    <item>
      <title>Broadcasting (Transmisión) en PyTorch</title>
      <link>https://apachon.github.io/blog/20200918-broadcasting-transmisi%C3%B3n-en-pytorch/</link>
      <pubDate>Fri, 18 Sep 2020 18:41:11 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200918-broadcasting-transmisi%C3%B3n-en-pytorch/</guid>
      <description>De la Lesson 3 del curso Practical Deep Learning for Coders (2020).
Imaginemos que tenemos la siguiente función que devuelve la resta de los dos parámetros a y b en valor absoluto y devuelve la media (de los dos últimos ejes).
def mnist_distance(a,b): return (a-b).abs().mean((-1,-2))
mnist_distance(a_3, mean3)
out: tensor(0.1114)
En el caso que se trata a y b son tensores tienen rangos diferentes a es un tensor de rango 3, por ejemplo 1010 x 28 x 28 y b es un tensor de 28 x 28.</description>
    </item>
    
    <item>
      <title>Baseline en proyectos de Machine Learning</title>
      <link>https://apachon.github.io/blog/20200914-baseline-en-proyectos-de-machine-learning/</link>
      <pubDate>Mon, 14 Sep 2020 16:18:26 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200914-baseline-en-proyectos-de-machine-learning/</guid>
      <description>Antes de implementar nuestros modelos complejos es de gran utilidad crear un prototipo sencillo que de solución al problema de manera sencilla, esto servirá para comprobar que nuestro problema tiene solución y también servirá para comprobar la precisión de nuestros modelos complejos frente a la solución rápida del prototipo creado al comienzo. Este prototipo debe ser un punto de partida significativo por lo que se debe desempeñar razonablemente bien si lo queremos usar para comparar los modelos que van a venir después.</description>
    </item>
    
    <item>
      <title>fastai v2</title>
      <link>https://apachon.github.io/blog/20200907-fastai-v2/</link>
      <pubDate>Mon, 07 Sep 2020 15:02:18 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200907-fastai-v2/</guid>
      <description>Los dos cometidos y ejes principales de fastai según lo que he entendido de las clase de Jeremy Howard son:
 Ser accesible y rápidamente productivo. Ser profundamente flexible.  Todo bajo lo más importante, que es acercar y hacer accesible el Deep Learning al &amp;ldquo;público general&amp;rdquo;, desmitificando y haciendo más accesible el aprendizaje con su modelo top-down incluso para personas que no tienen grandes conocimientos técnicos. La versión 2 de fastai escrita desde cero está construida sobre una jerarquía de APIs de nivel inferior que proporcionan bloques de construcción modular, de esta manera para extender o mejorar algo de una capa te abstraes de las capas inferiores.</description>
    </item>
    
    <item>
      <title>MTCNN - Face Detection With Deep Learning (2)</title>
      <link>https://apachon.github.io/blog/20200820-mtcnn-face-detection-with-deep-learning-2/</link>
      <pubDate>Thu, 20 Aug 2020 07:27:05 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200820-mtcnn-face-detection-with-deep-learning-2/</guid>
      <description>Prueba de cómo se comportan los scripts creados para la entrada MTCNN - Face Detection With Deep Learning con imágenes de personas con mascarilla.
Detección de caras. Detección de caras remarcando ojos, nariz y boca. Extracción de caras. Como se observa se desenvuelve bien incluso para remarcar ojos, nariz y boca, aunque las dos últimas no se vean al estar tras la mascarilla.</description>
    </item>
    
    <item>
      <title>MTCNN - Face Detection With Deep Learning</title>
      <link>https://apachon.github.io/blog/20200819-mtcnn-face-detection-with-deep-learning/</link>
      <pubDate>Wed, 19 Aug 2020 14:20:28 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200819-mtcnn-face-detection-with-deep-learning/</guid>
      <description>Enlace al documento original en machinelearningmastery.com
  Creación de un entorno nuevo en Anaconda face-detection con la version 3.7 de Python.
  Instalación de la librería KERAS con sus dependencias. conda install keras
  Instalación de la librería MTCNN. pip install mtcnn
  Se crean las pruebas alojadas en el siguiente repositorio.
Detección de caras. Detección de caras remarcando ojos, nariz y boca. Extracción de caras.   </description>
    </item>
    
    <item>
      <title>Pneumonia Detection usando Deep Learning</title>
      <link>https://apachon.github.io/blog/20200818-pneumonia-detection-usando-deep-learning/</link>
      <pubDate>Tue, 18 Aug 2020 09:05:33 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200818-pneumonia-detection-usando-deep-learning/</guid>
      <description>Actualización 04/09/2020: He deshabilitado la app para no tener sorpresas con la facturación de GCP, ya que se me estaban acabando los créditos de prueba y no quería tener sorpresas con la facturación y no tenía claro como se activaba la versión gratuita para siempre y si ésta mantenía en uso la app.
 Primer proyecto trasteando con fast.ai. La app [Chest X-Ray Images](https://aps-pneumonia-detection.nw.r.appspot.com/) es capaz de clasificar una radiografía de torax detectando si la radiografía es NORMAL o se detecta PNEUMONIA, no se valida que la imagen subida sea una radiografia o no porque el cometido no era aprender a crear una web en Python.</description>
    </item>
    
    <item>
      <title>The entire dataset of 1.7M&#43; arXiv papers is now available on @Kaggle</title>
      <link>https://apachon.github.io/blog/20200809-the-entire-dataset-of-1.7m&#43;-arxiv-papers-is-now-available-on-kaggle/</link>
      <pubDate>Sun, 09 Aug 2020 15:51:37 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200809-the-entire-dataset-of-1.7m&#43;-arxiv-papers-is-now-available-on-kaggle/</guid>
      <description>The entire dataset of 1.7M+ arXiv papers is now available on @kaggle. We can&amp;#39;t wait to see what the machine learning community will do with it! https://t.co/g1Xfk2FHbL
&amp;mdash; arXiv.org (@arxiv) August 5, 2020  </description>
    </item>
    
    <item>
      <title>Pérdida de tiempo</title>
      <link>https://apachon.github.io/blog/20200804-total-waste-of-time/</link>
      <pubDate>Tue, 04 Aug 2020 15:17:11 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200804-total-waste-of-time/</guid>
      <description>Se habla mucho de cambiar el modelo productivo de un país, sobre todo en épocas de crisis como en la que nos encontramos. Y siempre la transición deseada es la investigación, pero incluso en los campos más punteros no siempre investigación y creación de valor van de la mano.
Teniendo en cuenta quien lo dice en el siguiente vídeo veo reforzada mi opinión. La idea siempre debe ser: resolver problemas reales y rápido.</description>
    </item>
    
    <item>
      <title>Play fast.ai</title>
      <link>https://apachon.github.io/blog/20200802-play-fastai/</link>
      <pubDate>Sun, 02 Aug 2020 19:13:14 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200802-play-fastai/</guid>
      <description>Por esto me encanta el enfoque del curso de Deep Learning de fast.ai
 This approach is based on a lot of academic research into learning theory. One guy in particular David Perkins from Harvard has this really great analogy. He is a researcher into learning theory. He describes this approach of whole game which is basically if you&amp;rsquo;re teaching a kid to play soccer, you don&amp;rsquo;t first of all teach them about how the friction between a ball and grass works and then teach them how to saw a soccer ball with their bare hands, and then teach them the mathematics of parabolas when you kick something in the air.</description>
    </item>
    
    <item>
      <title>Deep Learning aplicado a procesamiento de lenguaje natural NLP - Juan Lupión y Jesús Montes</title>
      <link>https://apachon.github.io/blog/20200727-deep-learning-aplicado-a-procesamiento-de-lenguaje-natural-nlp/</link>
      <pubDate>Mon, 27 Jul 2020 21:48:14 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200727-deep-learning-aplicado-a-procesamiento-de-lenguaje-natural-nlp/</guid>
      <description>   </description>
    </item>
    
    <item>
      <title>KDnuggets: Text Mining in Python Steps and Examples</title>
      <link>https://apachon.github.io/blog/20200726-kdnuggets-text-mining-in-python-steps-and-examples/</link>
      <pubDate>Sun, 26 Jul 2020 23:20:24 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200726-kdnuggets-text-mining-in-python-steps-and-examples/</guid>
      <description>Artículo con ejemplos sencillos de como realizar minería de textos en python con la librería nltk, se incluyen ejemplos de:
  Tokenization
  Finding frequency distinct in the text
  Stemming
  Lemmatization
  Stop Words
  Part of speech tagging (POS)
  Named entity recognition
  Chunking
  GitHub: KDnuggerts: Text Mining in Python: Steps and Examples</description>
    </item>
    
    <item>
      <title>Stock Market Forecasting Using Time Series Analysis</title>
      <link>https://apachon.github.io/blog/20200725-stock-market-forecasting-using-time-series-analysis/</link>
      <pubDate>Sat, 25 Jul 2020 21:59:51 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200725-stock-market-forecasting-using-time-series-analysis/</guid>
      <description>Ejemplo muy didáctico que predice el precio de acciones al cierre mediante la técnica Análisis de Series Temporales (Time Serie Analysis). Link: Stock Market Forecasting Using Time Series Analysis
Como el dataset no se encuentra disponible en el link original pongo enlace a repositorio de github donde se incluye.</description>
    </item>
    
    <item>
      <title>PyCaret</title>
      <link>https://apachon.github.io/blog/20200724-pycaret/</link>
      <pubDate>Fri, 24 Jul 2020 21:55:42 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200724-pycaret/</guid>
      <description>PyCaret es una libería de Aprendizaje Automático de código abierto en Python que entrena y despliega modelos teniendo que codificar poco ya que engloba y simplifica el acceso a otras librerías como scikit-learn, XGBoost o spaCy.
Link: PyCaret.org</description>
    </item>
    
    <item>
      <title>TensorFlow 2.0 &#43; Keras overview</title>
      <link>https://apachon.github.io/blog/20200723-tensorflow-2.0-&#43;-keras-overview/</link>
      <pubDate>Thu, 23 Jul 2020 11:43:27 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200723-tensorflow-2.0-&#43;-keras-overview/</guid>
      <description>Cuaderno de Colab con una introducción de TensorFlow 2.0 + Keras, por @fchollet creador de Keras.
I just wrote an extensive TensorFlow 2.0 + Keras overview, targeted at deep learning researchers: https://t.co/k694J95PI8
Hope you will find it useful! Let me know if you have any feedback.
&amp;mdash; François Chollet (@fchollet) October 5, 2019  </description>
    </item>
    
    <item>
      <title>Lex Fridman: Neural networks learning spirals</title>
      <link>https://apachon.github.io/blog/20200722-lex-fridman-neural-networks-learning-spirals/</link>
      <pubDate>Wed, 22 Jul 2020 15:22:07 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200722-lex-fridman-neural-networks-learning-spirals/</guid>
      <description>   </description>
    </item>
    
    <item>
      <title>Una Introducción Visual al Machine Learning</title>
      <link>https://apachon.github.io/blog/20200721-una-introducci%C3%B3n-visual-al-machine-learning/</link>
      <pubDate>Tue, 21 Jul 2020 16:07:18 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200721-una-introducci%C3%B3n-visual-al-machine-learning/</guid>
      <description>Excelentes documentos que explican visualmente conceptos del Aprendizaje Automático.
 Parte 1: Recorrido visual de lo que sería un ejercicio de clasificación con Machine Learning con un árbol de decisión. Link: A Decision Tree.  En Machine learning (o aprendizaje de máquina), los computadores aplican técnicas de aprendizaje estadístico para identificar patrones en los datos de manera automática. Estas técnicas pueden ser utilizadas para hace predicciones con una alta precisión.</description>
    </item>
    
    <item>
      <title>Certificación SAP Fiori Overview: Design, Develop and Deploy</title>
      <link>https://apachon.github.io/blog/20200720-sap-fiori-overview-design-develop-and-deploy/</link>
      <pubDate>Mon, 20 Jul 2020 11:51:47 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200720-sap-fiori-overview-design-develop-and-deploy/</guid>
      <description>Certificación del curso OpenSAP SAP Fiori Overview: Design, Develop and Deploy.</description>
    </item>
    
    <item>
      <title>Instalación de RASA Open source conversational AI en Windows 10</title>
      <link>https://apachon.github.io/blog/20200719-instalaci%C3%B3n-de-rasa-open-source-conversational-ai-en-windows-10/</link>
      <pubDate>Sun, 19 Jul 2020 15:51:00 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200719-instalaci%C3%B3n-de-rasa-open-source-conversational-ai-en-windows-10/</guid>
      <description>Vídeo para instalar paso a paso RASA en Windows 10 con Anaconda.   Importante:
 En el momento que escribo esto crear entorno con Python 3.6 o 3.7 Instalar Microsoft VC++ Compiler  </description>
    </item>
    
    <item>
      <title>Forbes: A conversation with Andrew Ng</title>
      <link>https://apachon.github.io/blog/20200718-forbes-a-conversation-with-andrew-ng/</link>
      <pubDate>Sat, 18 Jul 2020 21:53:42 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200718-forbes-a-conversation-with-andrew-ng/</guid>
      <description>Link: Solving the small data problem and other challenges with AI a conversation with Andrew Ng.</description>
    </item>
    
    <item>
      <title>Comandos básicos de Conda</title>
      <link>https://apachon.github.io/blog/20200717-comandos-conda/</link>
      <pubDate>Fri, 17 Jul 2020 09:51:55 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200717-comandos-conda/</guid>
      <description>Actualización de Conda.
conda update conda
Versión de Conda.
conda -V
Actualización de Python.
conda update python
Instalación de Librería.
conda install NombreLibrería
Instalación de librería que no está en Conda.
pip install NombreLibrería
Actualización de una librería.
conda update NombreLibrería
Creación de entorno.
conda create -n NombreEntorno
Activación de entorno.
conda activate NombreEntorno
Eliminación de un entorno.
conda env remove -n NombreEntorno
Listado de librerías de un entorno.
conda list -n NombreEntorno
Más en:</description>
    </item>
    
    <item>
      <title>Jason Mayes - Machine Learning 101</title>
      <link>https://apachon.github.io/blog/20200716-jason-mayes-machine-learning-101/</link>
      <pubDate>Thu, 16 Jul 2020 18:27:01 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200716-jason-mayes-machine-learning-101/</guid>
      <description>Presentación Jason Mayes - Machine Learning 101</description>
    </item>
    
    <item>
      <title>Condensed version of the Matplotlib cheatsheets</title>
      <link>https://apachon.github.io/blog/20200715-condensed-version-of-the-matplotlib-cheatsheets/</link>
      <pubDate>Wed, 15 Jul 2020 20:00:00 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200715-condensed-version-of-the-matplotlib-cheatsheets/</guid>
      <description>Here&amp;#39;s a condensed version of the matplotlib cheatsheets so it can fit a desktop background
(https://t.co/bYcq4xtSRP)
Full image: https://t.co/Ira3t45G9x
and vectorized .svg, with the non-standard fonts outlined: https://t.co/FGAwQfeWNN
Thanks @NPRougier et al for making it! pic.twitter.com/NxS2U7NsMJ
&amp;mdash; Miles Cranmer (@MilesCranmer) July 12, 2020  </description>
    </item>
    
    <item>
      <title>Gradio</title>
      <link>https://apachon.github.io/blog/20200714-gradio/</link>
      <pubDate>Tue, 14 Jul 2020 18:15:47 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200714-gradio/</guid>
      <description>Generate an easy-to-use UI for your ML model, function, or API with only a few lines of code. Integrate directly into your Python notebook, or share a link with anyone.
Link: Gradio</description>
    </item>
    
    <item>
      <title>Machine Learning Toolbox</title>
      <link>https://apachon.github.io/blog/20200713-amit-chaudhary-machine-learning-toolbox/</link>
      <pubDate>Mon, 13 Jul 2020 13:10:31 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200713-amit-chaudhary-machine-learning-toolbox/</guid>
      <description>Recopilación de bibliotecas útiles para trabajar con Machine Learning en cada una de sus fases. Link: Amit Chaudhary - Machine Learning Toolbox</description>
    </item>
    
    <item>
      <title>Podcast Software 2.0: El declive de Europa en la era de la Inteligencia Artificial</title>
      <link>https://apachon.github.io/blog/20200712-podcast-software-2.0-el-declive-de-europa/</link>
      <pubDate>Sun, 12 Jul 2020 13:33:19 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200712-podcast-software-2.0-el-declive-de-europa/</guid>
      <description>Al hilo de lo comentado en Libro: Armas de Destrucción Matemática se debería encontrar un equilibrio entre el abuso del mal uso de las aplicaciones IA (ADM) y el poder competir con USA y China en la era de la Inteligencia Artificial.
🎙SOFTWARE 2.0🎙 Declive de Europa en la era de IA con @andres_pedreno y @luismoreno_twhttps://t.co/ZjWNxpPUNChttps://t.co/3ev7kcYQkUhttps://t.co/PU1rkH57oghttps://t.co/TkqKZV1orNhttps://t.co/IsOXoYQM9H pic.twitter.com/nHiRR4MVaS
&amp;mdash; Andres Torrubia (@antor) June 30, 2020  </description>
    </item>
    
    <item>
      <title>Libro: Armas de Destrucción Matemática</title>
      <link>https://apachon.github.io/blog/20200711-armas-de-destrucci%C3%B3n-matem%C3%A1tica/</link>
      <pubDate>Sat, 11 Jul 2020 13:53:00 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200711-armas-de-destrucci%C3%B3n-matem%C3%A1tica/</guid>
      <description>En la era del Gobierno Algorítmico y el Big Data ni a más datos mejores modelos para tomar decisiciones ni todos los datos (atributos sustitutivos) deben servir para tomar decisiones que nos reporten un beneficio ético y económico. Pasar del antiguo sesgo humano al sesgo de los modelos de apredizaje automático (o aprendizaje profundo en casos más sofisticados) es no avanzar, o por lo menos no avanzar éticamente. Cathy O&amp;rsquo;Neil nos expone los peligros que pueden suponer los modelos alimentados con datos erróneos y cómo nos condicionan el presente y el futuro cercano.</description>
    </item>
    
    <item>
      <title>AutoGluon: AutoML Toolkit for Deep Learning</title>
      <link>https://apachon.github.io/blog/20200710-autogluon-automl-toolkit-for-deep-learning/</link>
      <pubDate>Fri, 10 Jul 2020 09:16:35 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200710-autogluon-automl-toolkit-for-deep-learning/</guid>
      <description>AutoGluon enables easy-to-use and easy-to-extend AutoML with a focus on deep learning and real-world applications spanning image, text, or tabular data. Intended for both ML beginners and experts, AutoGluon enables you to:
 Quickly prototype deep learning solutions for your data with few lines of code. Leverage automatic hyperparameter tuning, model selection / architecture search, and data processing. Automatically utilize state-of-the-art deep learning techniques without expert knowledge. Easily improve existing bespoke models and data pipelines, or customize AutoGluon for your use-case.</description>
    </item>
    
    <item>
      <title>Texthero</title>
      <link>https://apachon.github.io/blog/20200709-texthero/</link>
      <pubDate>Thu, 09 Jul 2020 10:10:42 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200709-texthero/</guid>
      <description>Texthero is a python package to work with text data efficiently. It empowers NLP developers with a tool to quickly understand any text-based dataset and it provides a solid pipeline to clean and represent text data, from zero to hero.
Links:
 Texthero.org Try TextHero: The Absolute Simplest way to Clean and Analyze Text in Pandas  </description>
    </item>
    
    <item>
      <title>Enterprise Adoption of AI by Pattern 2019-2025</title>
      <link>https://apachon.github.io/blog/20200708-enterprise-adoption-of-ai-by-pattern-2019-2025/</link>
      <pubDate>Wed, 08 Jul 2020 09:15:27 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200708-enterprise-adoption-of-ai-by-pattern-2019-2025/</guid>
      <description>Link: IoT World Today
 Old work is work that we endure like a mild illness. New work is work that we really, really want to do. Frithjof Bergmann
 </description>
    </item>
    
    <item>
      <title>Book Deep Learning with PyTorch</title>
      <link>https://apachon.github.io/blog/20200707-libro-deep-learning-with-pytorch/</link>
      <pubDate>Tue, 07 Jul 2020 11:39:18 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200707-libro-deep-learning-with-pytorch/</guid>
      <description>The full version of the Deep Learning with PyTorch book from Luca Antiga, Eli Stevens, and Thomas Viehmann is now available! New chapters include in-depth real-world examples and production deployment. Grab a free digital copy on: https://t.co/RNUUKbAZTs
&amp;mdash; PyTorch (@PyTorch) July 6, 2020  </description>
    </item>
    
    <item>
      <title>Lazy Predict</title>
      <link>https://apachon.github.io/blog/20200707-lazy-predict/</link>
      <pubDate>Tue, 07 Jul 2020 11:27:32 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200707-lazy-predict/</guid>
      <description>Lazy Predict ayuda a construir modelos básicos sin mucho código y ayuda a entender qué modelos funcionan mejor sin ningún tipo de ajuste de parámetros.</description>
    </item>
    
    <item>
      <title>GPT-3 Language Models are Few-Shot Learners</title>
      <link>https://apachon.github.io/blog/20200706-gpt-3-language-models-are-few-shot-learners/</link>
      <pubDate>Mon, 06 Jul 2020 16:21:43 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200706-gpt-3-language-models-are-few-shot-learners/</guid>
      <description>Link paper: Language Models are Few-Shot Learners.
Vídeo explicativo del paper Language Models are Few-Shot Learners realizado por Yannic Kilcher   </description>
    </item>
    
    <item>
      <title>Coursera: Machine Learning by Stanford</title>
      <link>https://apachon.github.io/blog/20200517-coursera-machine-learning-by-stanford/</link>
      <pubDate>Sun, 17 May 2020 17:54:51 +0200</pubDate>
      
      <guid>https://apachon.github.io/blog/20200517-coursera-machine-learning-by-stanford/</guid>
      <description>Primer paso dado, curso completado con una calificación obtenida del 97.3%. Me decidí por empezar con este curso por sus muchas referencias como uno de los mejores cursos online de Machine Learning. Y puedo decir que no defreuda, por contenido, plataforma y por su puesto por el instructor y creador del curso, Andrew Ng uno de los máximos referentes en el campo.
Referencias al curso:
 KDnuggets: 10 Best and Free Machine Learning Courses, Online Forbes: The 10 Best Free Online Artificial Intelligence And Machine Learning Courses For 2020 Business Insider: 13 popular online courses that people enroll in and actually finish, according to Coursera Data Science Rush: Top 10 Courses on Coursera in 2020  </description>
    </item>
    
  </channel>
</rss>