- Cuando usamos varias instrucciones en una mísma línea

- Al comenzar la próxima línea con un array

- Al comenzar la próxima línea con un template string

Cuando queremos ejecutar una función una vez que se haya cargado una librería de terceros.

[A]ll [P]eople [S]eems [T]o [N]eed [D]ata [P]rotection

Kubernetes hace enfasis en ser un sistema declarativo.

Implica la agrupación de una serie de datos, que busca encontrar la estructura mediante la asignación de puntos de datos a grupos específicos.

Estos grupos se llaman clusters.

Para hacer esto k-means usa centroides, que representan cada cluster y que, inicialmente, se colocan de manera aleatoria. El objetivo es actualizar la posición de los centroides encontrando la media de los puntos de datos que pertenecen a cada cluster.

El parámetro más importante es el número de clusters, conocido como "k", de ahí el nombre "K-means". Este valor cambia por completo el significado de todo, pues varios puntos de datos pueden moverse de un cluster a otro.

3. Asignar cada punto de datos a un cluster basándonos en la distancia más corta

4. Computar nuevos centroides como promedios del os miembros del cluster.

Lo ideal es encontrar la velocidad de cambio más lenta, el punto de inercia más pequeño antes de que se dispare el número de clusters, es decir, el punto de inflexión

Expresadas visualmente así

- Convolucionales

- Recurrentes

El proceso se resume en la siguiente imagen

El término se refiere a cuando el método ha memorizado la información de entrenamiento de los datos, pero no ha encontrado el patrón que los predice. El modelo funcionará perfectamente con los datos de entrada, pero fallará con datos nuevos.

Una estrategia para prevenir el overfitting es detener el entrenamiento en su mejor punto de predicción.

La neurona, también llamado perceptrón está inspirado en las redes neuronales biológicas.

- Relu, la más usada. (Valores menores a 0 son 0, si es mayor, deja el valor)

- Softmax, nos da la probabilidad de ciertos outputs

La página [wolframalpha](https://www.wolframalpha.com/) nos permite obtener las fórmulas de las funciones y su comportamiento.## Descenso del gradiente

* Optimizador: me dice como debo actualizar los pesos, para disminuir el error. Hay varios tipos: gradient descent, AdaGrand, AdaDelta, Momentum, Nesterov, ADAM, RMS prop

* Learning rate: magnitud en la actualizacion de los pesos. Muy altos no encuentran un punto mínimo local o global, muy pequeños consumen demasiados recursos.

* Momentum: para evitar caer en mínimos globales hay optimizadores que aplican momentum (como el concepto de física, es el impulso extra que acumulo en la bajada de bajada) como el RMS prop, el cual es una variación del descenso del gradiente más el momentum.

La función de pérdida evalúa los valores reales contra la predicción. Un valor alto en la función de pérdida indica que nuestras predicciones son malas. En cambio, un valor bajo de la función de pérdida indica una buena predicción.

La propagación hacia atrás se llama así porque el error se propaga a través de la red desde la capa de salida hasta la capa de entrada, de manera inversa al flujo de la información durante la fase de entrenamiento hacia adelante (feedforward). Durante el proceso de entrenamiento, se calcula el error de la salida de la red en función de los valores objetivo, y luego se propagan estos errores hacia atrás a través de la red para actualizar los pesos de las conexiones.

Cuando se entrena un modelo de aprendizaje automático, es común dividir los datos disponibles en dos conjuntos: uno para entrenamiento y otro para evaluar el rendimiento del modelo. Sin embargo, esta división puede ser problemática si los datos de prueba no son representativos de la distribución de los datos reales o si la partición es aleatoria y los resultados varían con cada partición.

La validación cruzada en k-fold aborda este problema dividiendo los datos en k grupos o pliegues (folds) de tamaño similar. El valor de k se selecciona de antemano y generalmente se elige un número entre 5 y 10. Luego, el modelo se entrena y evalúa k veces, cada vez utilizando un grupo diferente como conjunto de prueba y los restantes como conjunto de entrenamiento.

``` javascript

userSchema.methods.toJSON = function () {

const user = this

const userObject = user.toObject()

}

})

para presentar por unas cuentas decenas de dolares.

- [OneWayFly](https://onewayfly.com/es/)

- [visadb](https://visadb.io/)

- [Visas de paises para mexicanos](https://www.mundukos.com/tips-de-viaje/a-que-paises-pueden-viajar-los-mexicanos-sin-visa/)

1. @travelspendapp: una aplicación de seguimiento presupuestario dedicada a los viajes (¡asegúrate de estar al tanto de cada gasto!).

3. Google Maps - de nuevo, descarga tus mapas para que al menos puedas ver tu ubicación en vivo cuando no estés conectado y encontrar a dónde tienes que ir en consecuencia.

4. @hostelworld - mi aplicación favorita para encontrar albergues con buenas valoraciones. También puedes chatear con otros viajeros en tu albergue o en la zona cuando reservas a través de HW.

5. @worldpackers: el truco de vida para viajar con poco dinero y alojarse gratis. Usa el C0d3: SIERRAFERNALD para conseguir 10$ de descuento en tu suscripción 😉 .

Esta será accesible y podemos vincularla a un gestor de servicios como systemd

Webpack empaquetará la aplicación y permitirá que podamos usar los

}

})

- [humaans](http://humaans.com)

- Fastmail

- GoogleApps

- Rackspace email

- CodeMirror