(spanish) Quiz app spanish translation (#591)
* feat(quiz-app): add spanish translation * fix(quiz-app): standardizes question punctuation for spanish translate * fix: modify quiz link for spanish version * refactor(quiz-app): modify text to meet the lessons standard
This commit is contained in:
Sebastian Pardo
GitHub
Родитель
06845b8141
Коммит
bd1ed40c59
|
|
@ -4,7 +4,7 @@
|
|||
|
||||
> 🎥 Haz clic en la imagen de arriba para ver un video donde se discuten las diferencias entre el machine learning, la inteligencia artificial, y el deep learning.
|
||||
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/1/)
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/1?loc=es)
|
||||
|
||||
### Introducción
|
||||
|
||||
|
|
@ -100,7 +100,7 @@ En el futuro próximo, entender las bases de machine learning va a ser una neces
|
|||
|
||||
Dibuja, en papel o usando una aplicación como [Excalidraw](https://excalidraw.com/), cómo entiendes las diferencias entre inteligencia artificial, ML, deep learning, y la ciencia de datos. Agrega algunas ideas de problemas que cada una de estas técnicas son buenas en resolver.
|
||||
|
||||
## [Cuestionario después de la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/2/)
|
||||
## [Cuestionario después de la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/2?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -3,7 +3,7 @@
|
|||
|
||||
> Boceto por [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
||||
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/3/)
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/3?loc=es)
|
||||
|
||||
En esta lección, analizaremos los principales hitos en la historia del machine learning y la inteligencia artificial.
|
||||
|
||||
|
|
@ -102,7 +102,7 @@ Queda por ver qué depara el futuro, pero es importante entender estos sistemas
|
|||
|
||||
Sumérjase dentro de unos de estos momentos históricos y aprenda más sobre las personas detrás de ellos. Hay personajes fascinantes y nunca ocurrió ningún descubrimiento científico en un vacío cultural. ¿Qué descubres?
|
||||
|
||||
## [Cuestionario posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/4/)
|
||||
## [Cuestionario posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/4?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -3,7 +3,7 @@
|
|||
|
||||
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5?loc=es)
|
||||
|
||||
## Introducción
|
||||
|
||||
|
|
@ -183,7 +183,7 @@ Para prevenir que los sesgos sean introducidos en primer lugar, debemos:
|
|||
|
||||
Piensa en escenarios de la vida real donde la injusticia es evidente en la construcción y uso de modelos. ¿Qué más debemos considerar?
|
||||
|
||||
## [Cuestionario posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6/)
|
||||
## [Cuestionario posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6?loc=es)
|
||||
## Revisión y autoestudio
|
||||
|
||||
En esta lección has aprendido algunos de los conceptos básicos de justicia e injusticia en el aprendizaje automático.
|
||||
|
|
|
|||
|
|
@ -6,7 +6,7 @@ El proceso de creación, uso y mantenimiento de modelos de machine learning, y l
|
|||
- Explorar conceptos básicos como 'modelos', 'predicciones', y 'datos de entrenamiento'
|
||||
|
||||
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/7/)
|
||||
## [Cuestionario previo a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/7?loc=es)
|
||||
## Introducción
|
||||
|
||||
A un alto nivel, el arte de crear procesos de machine learning (ML) se compone de una serie de pasos:
|
||||
|
|
@ -101,7 +101,7 @@ En estas lecciones, descubrirá cómo utilizar estos pasos para preparar, constr
|
|||
|
||||
Dibuje un diagrama de flujos que refleje los pasos de practicante de ML. ¿Dónde te ves ahora mismo en el proceso? ¿Dónde predice que encontrará dificultades? ¿Qué te parece fácil?
|
||||
|
||||
## [Cuestionario posterior a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/8/)
|
||||
## [Cuestionario posterior a la conferencia](https://white-water-09ec41f0f.azurestaticapps.net/quiz/8?loc=es)
|
||||
|
||||
## Revisión & Autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -4,7 +4,7 @@
|
|||
|
||||
Infografía por [Dasani Madipalli](https://twitter.com/dasani_decoded)
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/11/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/11?loc=es)
|
||||
|
||||
> ### [Esta lección se encuentra disponible en R!](../solution/R/lesson_2-R.ipynb)
|
||||
|
||||
|
|
@ -196,7 +196,7 @@ Para obtener gráficas para mostrar datos útiles, necesitas agrupar los datos d
|
|||
|
||||
Explora los distintos tipos de visualización que ofrece Matplotlib. ¿Qué tipos son los más apropiados para problemas de regresión?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/12/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/12?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -3,7 +3,7 @@
|
|||
|
||||
> Infografía de [Dasani Madipalli](https://twitter.com/dasani_decoded)
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/13/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/13?loc=es)
|
||||
|
||||
> ### [¡Esta lección está disponible en R!](../solution/R/lesson_3-R.ipynb)
|
||||
|
||||
|
|
@ -331,7 +331,7 @@ Llama a `predict()` para hacer una predicción:
|
|||
|
||||
Prueba variables diferentes en este notebook para ver cómo la correlación corresponde a la precisión del modelo.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14?loc=es)
|
||||
|
||||
## Revisión y auto-estudio
|
||||
|
||||
|
|
|
|||
|
|
@ -3,7 +3,7 @@
|
|||
|
||||
> Infografía de [Dasani Madipalli](https://twitter.com/dasani_decoded)
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/15/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/15?loc=es)
|
||||
|
||||
> ### [Esta lección se encuentra disponible en R!](../solution/R/lesson_4-R.ipynb)
|
||||
|
||||
|
|
@ -302,7 +302,7 @@ En futuras lecciones de clasificación, aprenderás cómo iterar para mejorar lo
|
|||
|
||||
¡Hay mucho más para desempacar respecto a la regresión logística! Pero la mejor forma de aprender es experimentar. Encuentra un conjunto de datos que se preste para este tipo de análisis y construye un modelo con él. ¿Qué aprendes? tipo: prueba [Kaggle](https://www.kaggle.com/search?q=logistic+regression+datasets) por conjuntos de datos interesantes.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/16/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/16?loc=es)
|
||||
|
||||
## Revisión & autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -11,7 +11,7 @@ Continuaremos nuestro uso de notebooks para limpiar los datos y entrenar nuestro
|
|||
|
||||
Para hacer esto, necesitas construir una aplicación web usando Flask.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/17/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/17?loc=es)
|
||||
|
||||
## Construyendo una aplicación
|
||||
|
||||
|
|
@ -335,7 +335,7 @@ En un entorno profesional, puedes ver cómo la buena comunicación es necesaria
|
|||
|
||||
En lugar de trabajar en un notebook e importar el modelo a una aplicación Flask, ¡podrías entrenar el modelo directo en la aplicación Flask! Intenta convertir tu código Python en el notebook, quizá después que tus datos sean limpiados, para entrenar el modelo desde la aplicación en una ruta llamada `train`. ¿Cuáles son los pros y contras de seguir este método?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/18/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/18?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Recuerda:
|
|||
|
||||
La clasificación utiliza varios algorítmos para determinar otras formas de determinar la clase o etiqueta de un punto de datos. Trabajemos con estos datos de cocina para ver si, al observar un grupo de ingredientes, podemos determinar su cocina u origen.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/19/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/19?loc=es)
|
||||
|
||||
> ### [¡Esta lección está disponible en R!](./solution/R/lesson_10-R.ipynb)
|
||||
|
||||
|
|
@ -288,7 +288,7 @@ Ahora que has limpiado los datos, usa [SMOTE](https://imbalanced-learn.org/dev/r
|
|||
|
||||
Este plan de estudios contiene varios conjuntos de datos interesantes. Profundiza en los directorios `data` y ve si alguno contiene conjuntos de datos que serían apropiados para clasificación binaria o multiclase. ¿Qué preguntas harías a este conunto de datos?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/20/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/20?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -4,7 +4,7 @@ En esta lección, usarás el conjunto de datos que guardaste en la última lecci
|
|||
|
||||
Usarás este conjunto de datos con una variedad de clasificadores para _predecir una cocina nacional dada basado en un grupo de ingredientes_. Mientras lo haces, aprenderás más acerca de algunas formas en que los algoritmos pueden ser aprovechados para las tareas de clasificación.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/21/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/21?loc=es)
|
||||
|
||||
# Preparación
|
||||
|
||||
|
|
@ -234,7 +234,7 @@ Ya que estás usando un caso multiclase, necesitas elegir qué _esquema_ usar y
|
|||
|
||||
En esta lección, usaste tus datos limpios para construir un modelo de aprendizaje automático que puede predecir una cocina nacional basado en una serie de ingredientes. Toma un tiempo para leer las diversas opciones que provee Scikit-learn para clasificar los datos. Profundiza en el concepto de 'solucionador' para comprender que sucede detrás de escena.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/22/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/22?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -2,7 +2,7 @@
|
|||
|
||||
En esta segunda lección de clasificación, explorarás más formas de clasificar datos numéricos. También aprenderás acerca de las ramificaciones para elegir un clasificador en lugar de otro.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/23/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/23?loc=es)
|
||||
|
||||
### Prerrequisito
|
||||
|
||||
|
|
@ -223,7 +223,7 @@ Este método de aprendizaje automático "combina las predicciones de varios esti
|
|||
|
||||
Cada una de estas técnicas tiene un gran número de parámetros que puedes modificar. Investiga los parámetros predeterminados de cada uno y piensa en lo que significaría el ajuste de estos parámetros para la calidad del modelo.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/24/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/24?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -8,7 +8,7 @@ Uno de los usos prácticos más útiles del aprendizaje automático es construir
|
|||
|
||||
> 🎥 Haz clic en la imagen de arriba para ver el video: Jen Looper construye una aplicación web usando los datos clasificados de cocina.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/25/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/25?loc=es)
|
||||
|
||||
En esta lección aprenderás:
|
||||
|
||||
|
|
@ -301,7 +301,7 @@ Felicidades, has creado una aplicación de 'recomendación' con pocos campos. ¡
|
|||
|
||||
Tu aplicación web es mínima, así que continua construyéndola usando los ingredientes y sus índices de los datos [ingredient_indexes](../../data/ingredient_indexes.csv). ¿Qué combinaciones de sabor funcionan para crear un determinado platillo nacional?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/26/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/26?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -6,7 +6,7 @@ El agrupamiento (clustering) es un tipo de [aprendizaje no supervisado](https://
|
|||
|
||||
> 🎥 Haz clic en la imagen de arriba para ver el video. Mientras estudias aprendizaje automático con agrupamiento, disfruta de algunas canciones Dance Hall Nigerianas - esta es una canción muy popular del 2014 de PSquare.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/27/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/27?loc=es)
|
||||
|
||||
### Introducción
|
||||
|
||||
|
|
@ -320,7 +320,7 @@ En general, para el agrupamiento, puedes usar gráficos de dispersión para most
|
|||
|
||||
En preparación para la siguiente lección, realiza una gráfica acerca de los diverso algoritmos de agrupamiento que puedes descubrir y usar en un ambiente de producción. ¿Qué tipo de problemas trata de abordar el agrupamiento?
|
||||
|
||||
## [Examen porterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/28/)
|
||||
## [Examen porterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/28?loc=es)
|
||||
|
||||
## Revisión y auto-estudio
|
||||
|
||||
|
|
|
|||
|
|
@ -4,7 +4,7 @@
|
|||
|
||||
> 🎥 Haz clic en la imagen de arriba para ver el video: Andrew Ng explica el agrupamiento"
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/29/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/29?loc=es)
|
||||
|
||||
En esta lección, aprenderás cómo crear grupos usando Scikit-learn y el conjunto de datos de música Nigeriana que importaste anteriormente. Cubriremos los conceptos básicos de K-Medias para agrupamiento. Ten en mente que, como aprendiste en lecciones anteriores, hay muchas formas de de trabajar con grupos y el método que uses depende de tus datos. Probaremos K-medias ya que es la técnica de agrupamiento más común. ¡Comencemos!
|
||||
|
||||
|
|
@ -238,7 +238,7 @@ Dedica algo de tiempo a este notebook, ajustando los parámetros. ¿Puedes mejor
|
|||
|
||||
Pista: Prueba escalar tus datos. Hay código comentado en el notebook que agrega escalado estándar para hacer que las columnas de datos se parezcan más entre sí en términos de rango. Encontrarás que mientras el puntaje de silueta disminuye el 'pliegue' en la gráfica de codo se suaviza. Esto es por qué al dejar los datos sin escalar le permite a los datos con menos variación tengan más peso. Lee un poco más de este problema [aquí](https://stats.stackexchange.com/questions/21222/are-mean-normalization-and-feature-scaling-needed-for-k-means-clustering/21226#21226).
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/30/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/30?loc=es)
|
||||
|
||||
## Revisión y auto-estudio
|
||||
|
||||
|
|
|
|||
|
|
@ -2,7 +2,7 @@
|
|||
|
||||
Esta lección cubre una breve historia y conceptos importante del *procesamiento del lenguaje natural*, un subcampo de la *ligüística computacional*.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/31/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/31?loc=es)
|
||||
|
||||
## Introducción
|
||||
|
||||
|
|
@ -150,7 +150,7 @@ Elige uno de los elementos "Detente y considera" de arriba y trata de implementa
|
|||
|
||||
En la siguiente lección, aprenderás acerca de otros enfoques de cómo analizar el lenguaje natural y aprendizaje automático.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/32/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/32?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -2,7 +2,7 @@
|
|||
|
||||
Para la mayoría de tareas de *procesamiento del lenguaje natural*, el texto a ser procesado debe ser partido en bloques, examinado y los resultados almacenados y tener referencias cruzadas con reglas y conjuntos de datos. Esta tareas, le permiten al programador obtener el _significado_, _intención_ o sólo la _frecuencia_ de los términos y palabras en un texto.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/33/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/33?loc=es)
|
||||
|
||||
Descubramos técnicas comunes usadas en el procesamiento de texto. Combinadas con el aprendizaje automático, estas técnicas te ayudan a analizar grandes cantidades de texto de forma eficiente, Antes de aplicar aprendizaje automático a estas tareas, primero entendamos los problemas encontrados por un especialista del procesamiento del lenguaje natural.
|
||||
|
||||
|
|
@ -203,7 +203,7 @@ Implementa el bot con la revisión de conocimiento anterior y pruébalo con un a
|
|||
|
||||
Toma una tarea de la revisión de conocimiento previo y trata de implementarla. Prueba el bot con un amigo. ¿Pudo engañarlo? ¿Puedes hacer a tu bot más 'creíble'?
|
||||
|
||||
## [Examen posterior a la lectura](https://white-water-09ec41f0f.azurestaticapps.net/quiz/34/)
|
||||
## [Examen posterior a la lectura](https://white-water-09ec41f0f.azurestaticapps.net/quiz/34?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -2,7 +2,7 @@
|
|||
|
||||
En las lecciones anteriores aprendiste cómo construir un bot básico usando `TextBlob`, una biblioteca que embebe aprendizaje automático tras bambalinas para realizar tareas básicas de procesamiento del lenguaje natural (NLP) tales como extracción de frases nominales. Otro desafío importante en la lingüística computacional es la _traducción_ precisa de una oración de un idioma hablado o escrito a otro.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/35/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/35?loc=es)
|
||||
|
||||
La traducción es siempre un problema difícil compuesto por el hecho que existen miles de idiomas y cada uno puede tener distintas reglas gramaticales. Un enfoque es convertir las reglas gramaticales formales para un idioma, como el Inglés, a una estructura no dependiente del idioma, y luego traducirlo al convertirlo de nuevo a otro idioma. Este enfoque significa que deberías realizar los siguientes pasos:
|
||||
|
||||
|
|
@ -176,7 +176,7 @@ Aquí tienes una [solución de muestra](../solution/notebook.ipynb).
|
|||
|
||||
¿Puedes hacer a Marvin aún mejor al extraer otras características de la entrada del usuario?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/36/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/36?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -6,7 +6,7 @@ En esta sección usarás las técnicas de las lecciones anteriores para hacer un
|
|||
- cómo calcular algunos datos nuevos basándote en las columnas existentes
|
||||
- cómo guardar el conjunto de datos resultante para usarlo en el desafío final
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/37/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/37?loc=es)
|
||||
|
||||
### Introducción
|
||||
|
||||
|
|
@ -404,7 +404,7 @@ Ahora que has explorado el conjunto de datos, en la próxima lección filtrarás
|
|||
|
||||
Esta lección demuestra, como vimos en lecciones anteriores, qué tan críticamente importante es entender tus datos y sus imperfecciones antes de realizar operaciones sobre ellos. Los datos basados en texto, requieren particularmente un minucioso escrutinio. Profundiza en grandes conjuntos de datos basados en texto y ve si puedes descubrir áreas que podrían presentar sesgos o sentimientos sesgados en un modelo.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/38/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/38?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -2,7 +2,7 @@
|
|||
|
||||
Ahora que has explorado a detalle el conjunto de datos, es momento de filtrar las columnas y luego usar técnicas de procesamiento del lenguaje natural sobre el conjunto de datos para obtener nuevos conocimientos acerca de los hoteles.
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/39/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/39?loc=es)
|
||||
|
||||
### Filtrado y operaciones de análisis de sentimiento
|
||||
|
||||
|
|
@ -361,7 +361,7 @@ Para revisar, los pasos son:
|
|||
|
||||
Cuando iniciaste, tenías un conjunto de datos con columnas y datos pero no todos ello podían ser verificados o usados. Exploraste los datos, filtraste lo que no necesitas, convertiste etiquetas en algo útil, calculaste tus propios promedios, agregaste algunas columnas de sentimiento y espero hayas aprendido cosas interesantes acerca de procesar texto natural.
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/40/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/40?loc=es)
|
||||
|
||||
## Desafío
|
||||
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@ En esta lección y la siguiente, aprenderás un poco acerca de la predicción de
|
|||
|
||||
> 🎥 Da clic en la imagen de arriba para ver un video acerca de la predicción de series de tiempo
|
||||
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/41/)
|
||||
## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/41?loc=es)
|
||||
|
||||
Es un campo útil e interesante con valor real para el negocio, dada su aplicación directa a problemas de precio, inventario e incidentes de cadenas de suministro. Mientras que las técnicas de aprendizaje profundo han comenzado a usarse para ganar más conocimiento para mejorar el rendimiento de futuras predicciones, la predicción de series de tiempo sigue siendo un campo muy informado por técnicas de aprendizaje automático clásico.
|
||||
|
||||
|
|
@ -175,7 +175,7 @@ En la siguiente lección, crearás un modelo ARIMA para realizar algunas predicc
|
|||
|
||||
Haz una lista de todas las industrias y áreas de consulta en las que puedes pensar que se beneficiarían de la predicción de series de tiempo. ¿Puedes pensar en una aplicación de estas técnicas en las artes, en la econometría, ecología, venta al menudeo, la industria, finanzas? ¿Dónde más?
|
||||
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/42/)
|
||||
## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/42?loc=es)
|
||||
|
||||
## Revisión y autoestudio
|
||||
|
||||
|
|
|
|||
|
|
@ -10,6 +10,7 @@
|
|||
<option>ja</option>
|
||||
<option value="ptbr">pt-br</option>
|
||||
<option>tr</option>
|
||||
<option>es</option>
|
||||
</select>
|
||||
</nav>
|
||||
<div id="app">
|
||||
|
|
|
|||
Разница между файлами не показана из-за своего большого размера
Загрузить разницу
|
|
@ -5,6 +5,7 @@ import fr from './fr.json';
|
|||
import ja from './ja.json';
|
||||
import it from './it.json';
|
||||
import ptbr from './ptbr.json';
|
||||
import es from './es.json';
|
||||
|
||||
//export const defaultLocale = 'en';
|
||||
|
||||
|
|
@ -14,7 +15,8 @@ const messages = {
|
|||
fr: fr[0],
|
||||
ja: ja[0],
|
||||
it: it[0],
|
||||
ptbr: ptbr[0]
|
||||
ptbr: ptbr[0],
|
||||
es: es[0]
|
||||
};
|
||||
|
||||
export default messages;
|
||||
|
|
|
|||
Загрузка…
Ссылка в новой задаче