Material Detail

"Machine Learning for Everybody – Full Course" icon

Machine Learning for Everybody – Full Course

Learn Machine learning from the start.

Quality

  • User Rating
  • Comments  (1) Comments
  • Learning Exercises
  • Bookmark Collections
  • Course ePortfolios
  • Accessibility Info

More about this material

Comments

Log in to participate in the discussions or sign up if you are not already a MERLOT member.
Adnane Labzae
Adnane Labzae (Student)
37 weeks ago
EVALUACIÓN DE LA CALIDAD DEL RECURSO COMO MATERIAL DE APRENDIZAJE EN LOS ESTUDIOS DE GRADO DE INGENIERÍA INFORMÁTICA DE LA UPM. Description: - Overview: - Tema: Curso introductorio de Machine Learning para principiantes, cubriendo algoritmos supervisados/no supervisados, preprocesamiento de datos y evaluación de modelos. - Perfil profesional/subdisciplina MERLOT: Information Technology > Artificial Intelligence. - Tipos de materiales: Video (tutoriales), Links to related material (repositorios de código en descripción). - Type of Material: Online Course Module. - Technical Requirements: Navegador web, Python 3.7+, bibliotecas (scikit-learn, pandas), editor de código (Jupyter Notebook). - Learning Goal(s): - Comprender fundamentos de ML: entrenamiento y validación de modelos. - Implementar algoritmos básicos (KNN, regresión lineal). - Aprender flujo de trabajo completo (datos → modelo → evaluación). - Recommended Use(s): - Complemento para asignaturas de Inteligencia Artificial o Ciencia de Datos. - Modalidad: Autoaprendizaje o apoyo visual en clases teóricas. - Target Student Population: Estudiantes de 2º-3º año de Ingeniería Informática con bases de Python. - Prerequisite Knowledge: - Programación básica en Python. - Conceptos de álgebra lineal y estadística descriptiva. Evaluations and Observations: - Quality of Content: - Fortalezas: - Contenido actualizado (Python 3, scikit-learn). - Explicaciones precisas con ejemplos prácticos. - Enlaces a recursos adicionales válidos. - Preocupaciones: - No cubre temas avanzados (redes neuronales). - Falta de datasets descargables integrados. - Potential Effectiveness as a Teaching/Learning Tool: - Fortalezas: - Enfoque práctico con demostraciones en código. - Útil para explicar algoritmos en clases teóricas. - Preocupaciones: - Falta de interactividad (quizzes, retroalimentación). - Resúmenes ausentes al final de secciones. - Ease of Use: - Fortalezas: - Navegación intuitiva (capítulos en YouTube). - Diseño limpio sin distracciones. - Preocupaciones: - Requiere conocimientos previos de Python. - Visualización de código complicada en móviles.