Ciencia de datos con Matplotlib en Python

1. Video de introducción: Hola a todos y bienvenidos a mi último curso, Ciencia de Datos con matplotlib en Python. Entonces, ¿quién soy y por qué deberías escucharme? Bueno, mi nombre es el programador perezoso y soy autor de más de 30 cursos en línea en ciencia de datos, aprendizaje automático y análisis financiero. Tengo dos maestrías en ingeniería y estadística. Mi trayectoria en este campo abarca más de 15 años. He trabajado en varias empresas que ahora llamamos Big Tech y múltiples startups. Usando la ciencia de datos, he aumentado los ingresos en millones de dólares con los equipos que he liderado. Pero lo más importante es que me apasiona traerte esta tecnología fundamental. Entonces, ¿de qué se trata este curso? Este curso se trata de enseñarte habilidades fundamentales usando la biblioteca matplotlib, que se ha convertido en estándar en la última década para hacer Data Science con Python, aprenderás sobre cómo hacer varios tipos de gráficos, como gráficos de líneas, gráficos de dispersión, histogramas e incluso cómo trazar imágenes. Estas habilidades son críticas si quieres hacer ciencia de datos y visualizar tus datos y tus resultados. Entonces, ¿quién debe tomar este curso y cómo debe prepararse? Este curso está diseñado para aquellos estudiantes que estén interesados en la ciencia de datos y el aprendizaje automático y que ya tengan alguna experiencia con bibliotecas de computación numérica como NumPy. La segunda habilidad que necesitarás son algunos lenguajes de programación básicos, bien, pero como este curso usa Python, eso sería ideal. Por suerte, Python es un lenguaje muy fácil de aprender. Entonces, si ya conoces otro idioma, deberías tener ningún problema para ponerte al día. Para ambos temas. Un entendimiento a nivel de preparatoria debería ser suficiente. En una licenciatura la comprensión sería aún mejor. Entonces, en cuanto a recursos, ¿qué necesitarás para poder tomar este curso? Por suerte, no mucho. Necesitarás una computadora, un navegador web y una conexión a Internet. Si estás viendo este video, entonces ya cumples con estas condiciones. Ahora, hablemos de por qué deberías tomar este curso y qué debes esperar sacar de él. Bueno, lo que he notado después enseñar aprendizaje automático durante muchos años es que hay una enorme brecha en el conocimiento. Los alumnos acuden a un curso de aprendizaje automático con ganas de aprender aprendizaje automático. Y entenderán los conceptos, pero luego no tienen idea de cómo poner esos conceptos en código porque realmente no saben cómo codificar. Este curso está destinado a llenar ese vacío creando un puente entre un recubrimiento regular y el tipo de codificación que necesitará para la ciencia de datos y el aprendizaje automático, específicamente para trazar y visualizar sus conjuntos de datos. Al final de este curso, habrás aprendido lo suficiente como para salir y usar lo que has aprendido en un conjunto de datos real. De hecho, esto es lo que haremos como nuestro proyecto final. Espero que estés tan emocionada como yo aprender sobre esta increíble biblioteca. Gracias por escuchar, y nos vemos en la próxima conferencia. 2. Contorno de Matplotlib: En esta conferencia, voy a presentarles la siguiente sección de este curso, que es sobre Matplotlib. Matplotlib como biblioteca utilizaremos para visualizar nuestros datos. Esta sección será bastante corta comparación con la sección num pi, ya que en tu investigación de algoritmos de aprendizaje automático, realidad solo hay algunas parcelas que necesitas. No se trata de construir informes o presentaciones ni nada por el estilo. Nos interesan parcelas que nos ayuden específicamente con la implementación de modelos de aprendizaje automático. Entonces dicho eso, ¿qué vamos a cubrir en esta sección? Primero, vamos a hablar de gráficos de líneas. gráficos de líneas, a pesar de su nombre, se utilizan para trazar cualquier tipo de señal unidimensional. Entonces, por ejemplo, es posible que desee trazar una serie de tiempo como el precio de las acciones por unidad de tiempo. Otro ejemplo de eso es una onda de sonido. Entonces, por ejemplo podrías cargar y MP3 y ver cómo cambia la amplitud con el tiempo. Los músicos miran gráficos de líneas así todo el día, excepto cuando lo miras desde la perspectiva de un músico, las líneas están tan juntas que no se pueden ver los valores individuales en cada lapso de tiempo. A continuación, vamos a ver un tipo de trama muy importante, el diagrama de dispersión. El diagrama de dispersión. Veamos nuestros datos desde una perspectiva geométrica. De hecho, cuando pensamos en, digamos, un problema de clasificación o un problema de agrupamiento, a menudo pensamos en términos de imagen geométrica es igual el incluso cuando se tienen datos que son muy alto-dimensionales, eso es datos que puedes ver todavía tratamos de encontrar formas de reducir la dimensionalidad para que podamos verla en parcelas como esta. A continuación vamos a ver otra trama importante, el histograma. El histograma es importante porque nos permite ver la distribución de nuestros datos. Y por supuesto, por distribución, probabilidad, distribución, los algoritmos de aprendizaje automático a menudo se definen usando el lenguaje de la probabilidad. Por lo que es muy importante poder mirar la distribución de tus datos para determinar qué tipo de distribución determinar qué tipo de distribución tiene. Por último, vamos a ver cómo trazar imágenes. Las imágenes son un tipo de datos muy importante en el aprendizaje automático moderno. El campo de la visión por computador ha explotado gracias al aprendizaje profundo. Y gracias a estos avances, estamos más cerca que nunca de los vehículos autónomos y de los robots autónomos. Parte de esto también va a ser responder a la pregunta, ¿cómo exactamente se representa una imagen dentro de la computadora? Como pronto verás, no es nada de lo que no sepamos ya. 3. Gráfico de línea: En esta conferencia, vamos a ver cómo hacer un gráfico de líneas. Primero, vamos a comenzar importando las bibliotecas necesarias. Entonces para esta sección eso sería importar numpy como np e importar map plot lib dot pyplot como PLT. Bien, así que a continuación vamos a crear algunos datos falsos para el eje x. Por cierto, aunque esta sección y las siguientes secciones no son sobre NumPy directamente, esto no significa que no se expongan nuevas características NumPy a medida que avanzamos. Entonces eso es exactamente lo que vamos a hacer ahora mismo. Entonces x es igual a np punto linspace 021000. Entonces, ¿qué hace eso? Eso crea una matriz unidimensional con 1,000 puntos uniformemente espaciados, 0-20. A continuación, vamos a generar algunos datos falsos para el eje y. Entonces digamos que y es igual a np punto seno x más 0.2 veces x No hay nada especial en esta función. Es completamente arbitrario. A continuación trazamos nuestros datos. Oye, podemos lograr eso haciendo plt.plot x, y. Ahora es importante tener en cuenta que si no estás usando un cuaderno, ya sea colab o cuaderno Jupyter en tu máquina local, lo harás no ver nada de solo esta línea de código. En su lugar, debe llamar a una función adicional, que es plt.show. Vamos a probar eso. Entonces eso sería plt.plot x, y, plt.show. Como puedes ver, realmente no tiene ningún efecto si ya estás dentro del cuaderno. A continuación, vamos a agregar alguna información a nuestra trama. Entonces digamos que quiero etiquetar el eje x. Entonces primero vamos a tener nuestra trama. Así que vamos a plt.plot x, y. Y luego para etiquetar el eje x, puedo hacer plt.plot x label, y vamos a llamarlo input. Del mismo modo, si quiero etiquetar el eje y, entonces puedo hacer plt.show y label. Y llamemos a esa salida. Por último, digamos que quiero agregar un título, después puedo hacer plt.show title, mi trama. Bien, así que probemos esto. Y obtenemos nuestro título y nuestra etiqueta y nuestra etiqueta x. Ahora se nota algo raro, que es que ese cuaderno siempre imprime lo último que fue devuelto por un código. Entonces en nuestro caso eso fue esto. Dado que la función de título PLT devuelve algo, lo vemos en el cuadro de abajo, aunque probablemente no queramos. Entonces, una cosa que podemos hacer para suprimir esta salida es simplemente terminar la línea con punto y coma. A ver eso. Bien, y ahora esa salida desaparece. 4. Scatterplot: En esta conferencia, vamos a ver otra muy importante para el tipo de visualización, la gráfica de dispersión. Por supuesto, para tener una gráfica de dispersión que realmente se vea como algo, vamos a necesitar algunos datos aleatorios. Entonces comencemos creando algunos datos aleatorios a partir de la normal estándar con shape 100 por dos. Entonces eso son 100 observaciones. Y una de dos dimensiones. Hacemos x es igual a np punto punto aleatorio rand n 102. Ahora tal vez te estés preguntando por qué 100 por dos. Esto nos da 100 puntos de datos con dimensionalidad a, podríamos haber elegido 500 puntos de datos, pero 100 está bien. Pero los dos son necesarios. Recuerda que las pantallas de computadora sí mismas son bidimensionales. Y así para especificar las coordenadas x y las coordenadas y, tenemos que tener dos dimensiones ni más ni menos. También había gráficos de dispersión tridimensionales que podrías hacer. Y sí tenemos eso en mis otros cursos, pero eso estaría fuera del alcance de este curso. Entonces, para hacer un diagrama de dispersión, llamamos plt.show scatter. Entonces eso es dispersión PLT. Voy a pasar en x colon cero y x colon uno. Entonces x colon cero es la primera columna de X y X la columna uno es la segunda columna de X. Y solo para ser claros, el primer argumento aquí corresponde al eje horizontal, y el segundo argumento corresponde al eje vertical. Entonces probemos esto. Bien, entonces obtenemos nuestro diagrama de dispersión. Ahora en el aprendizaje automático, a menudo nos interesa la clasificación o agrupación, donde nos gustaría dibujar diagramas de dispersión de puntos de datos con diferentes colores que signifiquen las diferentes clases. Entonces veamos si podemos hacer un diagrama de dispersión así. Primero vamos a generar algunos datos aleatorios, nuevo con dimensionalidad digamos x es igual a np punto aleatorio punto aleatorio 200 al siguiente, me gustaría que la mitad de estos datos se centrara en algunos diferentes ubicación. Recuerde que la función aleatoria se basa en la normal estándar. Entonces, por defecto, todos estos puntos están actualmente centrados en cero. Entonces digamos que quiero que la primera mitad de estos puntos de datos se centren en tres-tres. Para hacer eso, sólo puedo hacer x colon 50 más es igual a tres. Entonces los dos puntos significan seleccionar todas las filas desde el índice cero hasta el índice 50. Y un plus equivale a tres significa sumar tres a todos los elementos. A continuación, vamos a generar algunas etiquetas. Empecemos por crear una matriz de ceros de tamaño 200. Entonces la y equivale a np.ceros 200. A continuación vamos a establecer la primera mitad de estas etiquetas al por qué esto es para que todos los puntos centrados en tres-tres hayan etiquetado uno y todos los demás puntos habrán etiquetado cero. Podemos lograr eso haciendo por qué dos puntos 50 equivale a uno. Y finalmente, podemos dibujar nuestro diagrama de dispersión. Entonces esto es casi lo mismo que antes, excepto ahora vamos a usar también el argumento C y pasarlo y ¿por qué? Y obviamente C significa color. Entonces PLT scatter x0x1c es igual a y Así que a veces es difícil ver tu código porque estas cosas aparecen para mostrarte la API. Y así la forma en que esto funciona es lo que pasas para C debería ser una lista unidimensional o una matriz unidimensional que contenga enteros correspondientes a cómo quieres colorear los puntos de datos. Así que vamos a ejecutar esto. Y obtenemos nuestro diagrama de dispersión de colores. 5. Histograma: En esta conferencia, vamos a mirar otra trama esencial, el histograma. Dado que los histogramas se utilizan para trazar la distribución de los datos, vamos a necesitar algunos números aleatorios. Entonces comencemos creando 10,000 números aleatorios a partir de la normal estándar. Entonces X es igual a np punto aleatorio, el aleatorio 10,000. A continuación, trazemos un histograma. Entonces, si alguna vez has programado en otro lenguaje científico antes, es posible que incluso lo hayas adivinado tú mismo. Es solo punto PLT hist x. Muy bien, y ese es nuestro histograma. Ahora, cuando tenemos tantos puntos de datos, es posible obtener una mejor trama al tener más barras. Podemos lograr eso usando el argumento bins. Entonces podemos hacer plt.plot x bins es igual a 50. Y esto es por supuesto, una forma de confirmar que nuestros datos realmente provienen de la norma normal. Tenemos una curva de campana que se centra alrededor de cero. Y aproximadamente el 95% del peso está entre más o -1.96. Y obviamente solo lo hice. No puedo decir mirándolo. Ahora, sólo por curiosidad. También podemos querer confirmar que la función aleatoria muestres de la distribución uniforme. Así que vamos a generar algunos datos a partir de la función aleatoria. Entonces eso es x es igual a np punto aleatorio, aleatorio 10,000. Y dibujemos un histograma. Entonces plt.plot x es igual a 50. Muy bien, así que esto es bastante plano, aunque no exactamente, estoy seguro que se vería más plano si tuvieras menos contenedores. Pero de cualquier manera, está bastante claro que la función aleatoria de hecho muestreada a partir de la distribución 01 uniforme. 6. Dibujo de imágenes: En esta conferencia, vamos a discutir cómo trazar imágenes. Ahora es útil mencionar que muchos conjuntos de datos famosos de aprendizaje automático, como m-nest y C4 ten o conjuntos de datos de imágenes. Pero estos conjuntos de datos no se almacenan como archivos de imagen reales, por ejemplo , en su computadora, puede tener imágenes que están en formato JPEG o en formato PNG. Pero algunos conjuntos de datos de aprendizaje automático se almacenan en diferentes formatos, manera que todo el conjunto de datos con múltiples imágenes se puede almacenar en un solo archivo. Para nosotros, en esta conferencia, solo nos preocuparemos por imágenes individuales como las que puedas tener en tu computadora. Entonces, para empezar, vamos a descargar una imagen de Internet usando el comando W get. Ahora claro, no tienes que elegir el mismo archivo que yo. Probablemente no quieras escribir esta URL a mano. Entonces, como parte de su ejercicio para esta conferencia, por favor encuentre su propia imagen y obtenga la URL de esa imagen. Puedes pausar este video hasta encuentres una imagen que quieras usar. Voy a tomar la URL de mi libreta preescrita. Bien, así se puede ver desde la salida del comando W get que descargamos un archivo llamado Lena dot PNG. Entonces a continuación vamos a usar una biblioteca llamada Pillow, que nos ayudará a cargar en nuestra imagen. Así que vamos a importar almohada haciendo desde PIL importar imagen. A continuación vamos a usar almohada para cargar en nuestra imagen. Entonces para mi que soy igual imagen punto abierto Lena punto PNG. Ahora bien, aunque esta es la pila num pi, este valor de retorno no es una matriz NumPy. Podemos verificar el tipo de este objeto para confirmarlo. Entonces solo hacemos tipo. Yo soy. Y podemos ver que se trata de un archivo de imagen PNG. Por suerte, es muy fácil convertir esto en una matriz NumPy. Podemos simplemente hacerlo como cómo convertimos listas a matrices NumPy. Una matriz es igual a la matriz de puntos np. Yo soy. Ahora bien, la razón por la que esto funciona es porque las imágenes se representan en las computadoras como arreglos. Si lo piensas bien, una imagen tiene dos dimensiones, altura y ancho. Para cada ubicación a lo largo de su altura y ancho, tiene un valor de color. Entonces eso es exactamente lo que es esta matriz. Es una caja de números. Podemos imprimir la matriz para confirmarlo. Entonces solo haz ARR. Y esa es nuestra imagen representada en una computadora. Ahora bien, hay algo interesante en estos números, que aprenderás más si alguna vez tomas una clase conmigo en una visión por computador o procesamiento de imágenes, todos estos números parecen ser enteros en lugar de punto flotante, y todos son 0-255. Si nos desplazamos hacia abajo hasta la parte inferior, podemos ver que el tipo D de esta matriz es un ocho. Es decir, los números son enteros sin signo de ocho bits. Entonces debería tener completo sentido para usted que estos números sean 0-255, ya que dos a la potencia ocho es 256, y por lo tanto con unos bits que es el número total de enteros posibles que podemos representar. Comprobemos la forma de nuestra matriz. Entonces eso es ARR sí forma. Tan interesante, es una matriz tridimensional de 512 por 512 por tres. Entonces, ¿qué significan estos números? Bueno, las dos primeras dimensiones, o las dimensiones espaciales, están a la altura y anchura de la imagen. Pero, ¿por qué hay una tercera dimensión de talla tres? Eso es porque para cada ubicación de la imagen, necesitamos almacenar el color de ese píxel. Y da la casualidad de que los colores se almacenan usando tres valores. Específicamente, estos son el canal rojo, el canal verde y el canal azul. Estos tres números nos dicen ¿cuánto rojo, cuánto verde, cuánto azul combinar para hacer el color en esta ubicación? Y por cierto, solo para que lo sepas, enseñan estas cosas en el jardín de infantes. Entonces, si te sientes confundido, entonces esta noche tal vez tengas que pedirles ayuda a tus hijos con tu tarea. Entonces, ¿cómo trazamos esta imagen? Bueno, usamos una función llamada IM show. Entonces hagámoslo. Eso sería plt.plot. Yo soy show ARR. Como puedes ver, esta es la famosa imagen de Lena utilizada en cada curso y existencia de visión por computador. Y por cierto, esto también funciona con la imagen original. Para que podamos hacer plt.plot Show. Yo soy. Ahora una cosa que solemos hacer en visión por computador es trabajar con imágenes en escala de grises, también conocidas como imágenes en blanco y negro. Una forma sencilla de convertir una imagen en color en una imagen en blanco y negro es tomar la media a través los canales de color. Vamos a probar eso. Entonces eso es gris igual a ARR punto medio eje es igual a dos. Y si comprobamos la forma de nuestra nueva matriz, podemos ver que es 512 por 512, lo que significa que hemos colapsado la dimensión de color, que es lo que queríamos. Entonces, ¿qué pasa si trazamos esta imagen usando IM show, do plt.show. Yo soy show Greg. Eso es interesante. Parece que nos han dado un extraño conjunto de colores, tan extraña mezcla de verde y amarillo. Ahora es importante tener en cuenta que estos no son colores reales almacenados en la propia imagen. Todos estos son solo números 0-255, así que no es como que 255 es verde y cero es amarillo. Estos colores en realidad son decididos por matplotlib. Si estabas usando un lenguaje de programación diferente o incluso una versión diferente de Matplotlib o Python. Estos colores podrían salir de otra manera. Esto es básicamente lo que se llama un mapa de calor. Así que en realidad solo aprendes a hacer dos cosas a la vez. Pero aún así nos gustaría saber cómo trazar esta imagen en escala de grises, escala de grises real. La forma en que podemos hacerlo es usando el argumento CMAP. Entonces probemos eso. Entonces ese es PLT el show IM gris CMAP equivale a Greg. Y como era de esperar, nuestra imagen ha sido trazada en escala de grises. 7. Ejercicio de Matplotlib: En esta conferencia, te voy a dar un ejercicio para practicar lo que aprendiste en esta sección. Tu ejercicio en esta sección será generar y trazar lo que yo llamo el conjunto de datos XOR generalizado. Entonces, ¿por qué llamo a esto el XOR generalizado? Bueno, si tienes formación en informática o ingeniería y ya has oído hablar del XOR. Es una puerta lógica. Hace una operación lógica como las puertas AND, OR y NOT. Podemos anotar el XOR usando una tabla de verdad donde X1 y X2 son las entradas e y es la salida. Si x1 y x2 son ambos cero, entonces y es cero. Si x1 o x2 es uno, pero no ambos, entonces y es uno. Si x1 y x2 son ambos uno, entonces y vuelve a ser cero. El motivo por el que llamamos a esto el XOR, que significa OR exclusivo es porque difiere del regular u operación en que la última fila estaría en una con la regular. O. Ahora claro, si trazamos esto, solo serían cuatro puntos, lo cual no es tan emocionante. Se ve un poco mejor, se encuentran puntos dispersos al azar, como lo que verías en un conjunto de datos de aprendizaje automático. Entonces, si dividimos los datos en cuatro cuadrantes, entonces la esquina superior izquierda e inferior derecha, tendremos un color en la esquina superior derecha e inferior izquierda, tendremos otro color. Tu trabajo es generar estos datos y hacer una gráfica de dispersión como la que ves aquí. Sólo para hacerlo un poco más difícil, fíjate que estos cuadrantes se definen entre menos uno y más uno, no 0.1. Buena suerte, y nos vemos en la próxima conferencia. 8. Dónde obtener cupones de descuento y material de aprendizaje automático GRATUITO: Hola a todos y bienvenidos de nuevo a esta clase. En esta conferencia voy a responder una de las preguntas más comunes que me dan. ¿Dónde puedo obtener cupones de descuento y material gratuito de deep learning? Empecemos con cupones. Tengo varias formas de que te mantengas al día conmigo. Esa absoluta número uno, mejor manera para que te mantengas al día con cupones de descuento recién lanzados es suscribirte a mi newsletter. Hay varias maneras de hacer esto. Primero, puedes visitar mi página web, programador perezoso punto. En la parte superior de la página, hay una casilla donde puedes ingresar tu correo electrónico e inscribirte al boletín. Otro sitio web que tengo y opero son los cursos de deep learning. Este sitio web contiene en gran medida los mismos cursos que ves en esta plataforma, pero también contiene material VIP extra. Más sobre eso más adelante. Entonces, si te desplazas hasta la parte inferior de este sitio web, encontrarás una casilla para ingresar tu correo electrónico, que te inscribirá el boletín como lo harías en el programa lazy en DOT ME. Entonces sólo tienes que hacer uno de estos. Ahora hagamos una pequeña digresión porque esta es otra pregunta común que me sale. ¿De qué se trata este material VIP y cómo puedo obtenerlo? Entonces así es como funciona lo VIP. Por lo general, cuando libere un curso, lo lanzaré con material VIP temporal, que es exclusivo para aquellos madrugadores que se inscribieron al curso durante mi anuncio. Esta es una pequeña recompensa agradable para aquellos de ustedes que se mantienen al día con mis anuncios y por supuesto, en realidad los leen. Es importante tener en cuenta que material VIP puede salir en cualquier momento. Por ejemplo, no se pudieron hacer actualizaciones importantes a un curso tres años después de iniciarlo y hacer otro lanzamiento VIP. El propósito de los cursos de aprendizaje profundo es tener un hogar permanente para estos materiales VIP. Entonces a pesar de que podría ser temporal en la plataforma en la que te registraste. Si te inscribes en la versión VIP del curso, entonces tendrás acceso a los materiales VIP en cursos de aprendizaje profundo permanentemente a pedido. Aquí hay algunos ejemplos de materiales que puede encontrar en las secciones VIP de mi TensorFlow por supuesto, hay tres horas extra de material sobre Deep Dream y localización de objetos. Normalmente no lanzo el contenido VIP en formato video, pero esto fue una excepción. Otro ejemplo en mi curso de IA de vanguardia fue una sección extra escrita sobre el algoritmo T3. Este curso abarcó tres algoritmos en total. Entonces la sección de extras que te da uno más, o en otras palabras, 33% más de material. Otro ejemplo en mi coro avanzado de PNL y RNNs es una sección sobre reconocimiento de voz que usa aprendizaje profundo. Además, hay una sección completamente nueva del curso sobre predicciones de stock o redes de memoria, dependiendo de la versión del curso que estés tomando. La razón de esto es que podría lanzar versiones ligeramente diferentes de cada curso en diferentes plataformas. Por cómo funcionan las reglas en todas estas plataformas, debo diferenciar los cursos. No obstante, como soy dueño de un curso de aprendizaje profundo, esta es la única plataforma que contiene la versión más completa del curso, que incluye todas las secciones. Tenga en cuenta que esto es raro, por lo que dependiendo del curso que esté tomando, puede que no le afecte. Bien, así que volvamos a ti. Cupones de descuento y material gratuito. Otros lugares donde anuncié cupones de descuento son Facebook, Twitter y YouTube. Es posible que desee pausar este video para que pueda ir a estas URL y seguirme o suscribirse a mí en estos sitios si son sitios web que usa regularmente. Entonces para Facebook, ese facebook.com slash lazy programmer dot Emmy para Twitter, eso es twitter.com slash lazy underscore científicos para YouTube, youtube.com slash C slash lazy programmer x. De vez en cuando, todavía soltaba material completamente gratuito. Esto es agradable si solo quiero hablar un tema singular sin tener que hacer un curso completo para ello. Por ejemplo, acabo de publicar un video sobre las predicciones del mercado de valores y por qué mayoría de los otros blogs en los cursos abordan este problema completamente mal. Ese es otro beneficio de apuntarse a estas cosas. Llego a exponer a científicos de datos falsos que realmente son comercializadores. Mientras que nunca haría un curso completo sobre eso. A veces esto puede ser en forma escrita y a veces puede ser en forma de video. Si es en forma escrita, será en programa perezoso y me enseñó o cursos de aprendizaje profundo. Si es un video, será en YouTube. Así que asegúrate de suscribirte a mí en YouTube. Si lanzo un video, también puedo hacer un post al respecto en lazy programmer dot ME. Y también puedo anunciarlo usando otros métodos que discutí anteriormente. Entonces ese es el boletín, Facebook, twitter, y obviamente el propio YouTube. Ahora me doy cuenta que son muchas cosas y probablemente no uses todas estas plataformas. Desde luego no, al menos no regularmente. Entonces, si quieres hacer lo mínimo, Esto es lo que debes hacer. Primero, inscríbase a mi newsletter. Recuerda que puedes hacerlo ya sea en un programa perezoso en DOT ME o en cursos de deep learning. Segundo, suscríbete a mi canal de YouTube en youtube.com. Slash C slash lazy programador x. gracias por escuchar y te veré en la próxima conferencia.