Fundamentos prácticos

1

Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje

2

Los fundamentos de machine learning que aprenderás

3

Introducción a Numpy

4

Introducción y manipulación de datos con Pandas

5

Introducción a ScikitLearn

6

Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresión Lineal y Logística

7

¿Qué es la predicción de datos?

8

Sobreajuste y subajuste en los datos

9

Regresión lineal simple y regresión lineal múltiple

10

Regresión lineal simple con Scikit-Learn: división de los datos

11

Regresión lineal simple con Scikit-Learn: creación del modelo

12

Regresión logística con Scikit-Learn: definición y división de datos

13

Regresión logística con Scikit-Learn: evaluación del modelo

14

Matriz de confusión

15

PlatziDoro Cápsula 1

Árboles de decisión

16

¿Qué es un árbol de decisión y cómo se divide?

17

Comprendiendo nuestro data set para la creación de un árbol de decisión

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificación

20

Visualización del árbol de decisión

K-Means

21

¿Qué es K-Means?

22

Cargando el data set de Iris

23

Construcción y evaluación del modelo con K-Means

24

Graficación del modelo

25

PlatziDoro Cápsula 2

Aprendizaje profundo

26

Introducción al aprendizaje profundo

27

Conceptos básicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creación de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluación de la red convolucional

32

PlatziDoro Cápsula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

Crea una cuenta o inicia sesión

¡Continúa aprendiendo sin ningún costo! Únete y comienza a potenciar tu carrera

Introducción a ScikitLearn

5/34
Recursos

Aportes 17

Preguntas 2

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

un par de paquetes que se usan mucho

# para hacer preprocesamiento de los datos
from sklearn import preprocessing
# para establecer nuestros conjuntos de entrenamiento y evaluacion. 
from sklearn import train_test_split 
# para usar las metricas necesarias para analizar la ejecución de nuestros modelos 
from sklearn import metrics



from sklearn import [modelo]  // modelo 
from sklearn import tree // arbol
                            ¿QUÉ ES SCIKIT-LEARN?

Scikit-Learn es una de estas librerías gratuitas para Python. Cuenta con algoritmos de clasificación, regresión, clustering y reducción de dimensionalidad. Además, presenta la compatibilidad con otras librerías de Python como NumPy, SciPy y matplotlib.



La gran variedad de algoritmos y utilidades de Scikit-learn la convierten en la herramienta básica para empezar a programar y estructurar los sistemas de análisis datos y modelado estadístico. Los algoritmos de Scikit-Learn se combinan y depuran con otras estructuras de datos y aplicaciones externas como Pandas o PyBrain.



La ventaja de la programación en Python, y Scikit-Learn en concreto, es la variedad de módulos y algoritmos que facilitan el aprendizaje y trabajo del científico de datos en las primeras fases de su desarrollo. La formación de un Máster en Data Science hace hincapié en estas ventajas, pero también prepara a sus alumnos para trabajar en otros lenguajes. La versatilidad y formación es la clave en el campo tecnológico.

Resumen

ScikitLearn
Es una biblioteca de condigo abierto para el aprendizaje automático, incluye algoritmos como arboles de decisión, regresión, maquina de soporte vectorial entre otros.

Sirve para algoritmos

  • Supervisado
  • No supervisado

Caracteristicas

  • Variedad de modulos
  • Versatilidad
  • Facilidad de uso

ScikitLearn

  • Biblioteca de python orientada al Machine Learning (Aprendizaje Supervisado y No Supervisado)
  • Incluye una gran variedad de módulos para este fin (árboles de decisión, regresiones, etc.)
  • Es muy fácil usarla, basta con importar el módulo necesario y aplicarlo:
from sklearn import <modulo>

Para los que quieran profundizar: https://scikit-learn.org/stable/

a donde esta la lectura???

En verdad necesitaba estad explicaciones desde que aprendí a usar las librerías, gracias.

Alguien conoce algunos libros actualizados de Machine Learning??

Una de las que mas me gusta

from sklearn.naive_bayes import GaussianNB

Se ve interesante se aquí que ya vamos a entrar en materia.

Porfin llegamos a una librería específica

Hola, no sé si es que soy yo o qué pero en este vídeo hace una introducción a la librería pero no hace como en las otras que los explica prácticamente. Pero en los comandos básicos aparece la librería como si se hubiera trabajado como con Numpy. ¿Es que se ha perdido el vídeo práctico o algo?

<h3>¿What’s Scikit-learn?</h3>

Scikit-learn is a free machine learning library for Python. It features various algorithms like support vector machine, random forests, and k-neighbours, and it also supports Python numerical and scientific libraries like NumPy and SciPy .