ME está gustando mucho más este curso que el anterior, se observa a la profesora mucho más profesional e idónea para explicar; la verdad lo estoy disfrutando bastante
Fundamentos prácticos
Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje
Los fundamentos de machine learning que aprenderás
Introducción a Numpy
Introducción y manipulación de datos con Pandas
Introducción a ScikitLearn
Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)
Regresión Lineal y Logística
¿Qué es la predicción de datos?
Sobreajuste y subajuste en los datos
Regresión lineal simple y regresión lineal múltiple
Regresión lineal simple con Scikit-Learn: división de los datos
Regresión lineal simple con Scikit-Learn: creación del modelo
Regresión logística con Scikit-Learn: definición y división de datos
Regresión logística con Scikit-Learn: evaluación del modelo
Matriz de confusión
PlatziDoro Cápsula 1
Árboles de decisión
¿Qué es un árbol de decisión y cómo se divide?
Comprendiendo nuestro data set para la creación de un árbol de decisión
Creando un clasificador con Scikit-Learn
Entrenamiento del modelo de clasificación
Visualización del árbol de decisión
K-Means
¿Qué es K-Means?
Cargando el data set de Iris
Construcción y evaluación del modelo con K-Means
Graficación del modelo
PlatziDoro Cápsula 2
Aprendizaje profundo
Introducción al aprendizaje profundo
Conceptos básicos de Tensor Flow
Red neuronal convolucional
Conociendo el set de datos para la creación de la red neuronal
Crea y entrena tu primera red neuronal convolucional con Tensor Flow
Evaluación de la red convolucional
PlatziDoro Cápsula 3
Despedida
Recomendaciones para analizar correctamente tu problema
Siguientes pasos para continuar aprendendiendo de Machine Learning
Aún no tienes acceso a esta clase
Crea una cuenta y continúa viendo este curso
Aportes 25
Preguntas 0
ME está gustando mucho más este curso que el anterior, se observa a la profesora mucho más profesional e idónea para explicar; la verdad lo estoy disfrutando bastante
Queremos un curso completo de Inteligencia Artifical de Yecely Díaz…!!!
El análisis predictivo agrupa una variedad de técnicas estadísticas de modelización, aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales para hacer predicciones acerca del futuro o acontecimientos no conocidos.
Existen algoritmos que se definen como “clasificadores” y que identifican a qué conjunto de categorías pertenecen los datos.
Para entrenar estos algoritmos:
Cuando entrenamos un modelo para llevar a cabo una prueba, es importante cuidar la información que se le suministra, es decir, debemos verificar si existen datos no validos o nulos, si las series de datos esta completa, etc.
<h3>Ejemplo de predicción</h3>Podemos entrenar un modelo con la información historica de cierta cantidad de estudiantes y sus calificaciones en diferentes cursos, un modelo bien entrenado con estos datos debería ser capas de hacer una predicción de que tan bien le irá a un estudiante nuevo en algun tipo de curso al evaluar sus carácteristicas.
Quiero llegar ya a Tensorflow!! jej
Esta profe es la que debierian poner en los cursos de inteligencia artificial de MINTIC, clase dinamica y enfocada.
Predicción de Datos
Me gusta mucho tu manera de explicar, se entiende muy bien lo que se hace y porque lo hacemos
Yesi Days ! la mejor ❤️ ! Platzi mas docentes asi
Antes de seguir con el curso les recomiendo primero hacer los cursos de:
Curso de Introducción al algebra lineal: Vectores . (enseñan a utilizar Numpy)
Curso de análisis y manipulación de datos con Pandas y Python. (enseñan a utilizar Pandas)
Es impresionante como he visto este curso en la universidad durante un semestre y lo unico que cambia es que aqui la profesora no dice 1 de cada 2 clases “la matematica no es necesaria para el machine learning”, y de paso no habla bullshit gastando 4h de clase continua para hacer lo que en cada tutorial se demora 15 min.
Este es un curso 100% calidad/precio (pese a que vi la tematica quiero hacer las cosas bien desde 0)
**Duda **¿Porque este curso no me aparece en mi ruta de aprendizaje de Machine Learning?
Excelente forma de enseñar la de la profesora! 100% recomendado
Muy emocionado !!! Con todo !!!
Qué buen curso! Encantado hasta el momento.
No he finalizado el curso y estoy trabajdno en mi primero proyecto.
Genial !!!
Muy interesante, hace que quiera empezar con lo siguiente
me encanta
Que Fascinante!!
Excelente curso
Una pregunta ¿ que otras ideas o proyectos se pueden aplicar en educación con deep learning o machine learning.
saludos afectuosos
Si, es un “emocionante mundo”
Genial !
¡¡Este curso está increíble!!
Explica muy bien, muy raro que este curso no esta en la ruta de aprendizaje.
In statistics, linear regression is a linear approach to modeling the relationship between a scalar response (or dependent variable) and one or more explanatory variables (or independent variables). The case of one explanatory variable is called simple linear regression. For more than one explanatory variable, the process is called multiple linear regression. This term is distinct from multivariate linear regression, where multiple correlated dependent variables are predicted, rather than a single scalar variable.
In linear regression, the relationships are modeled using linear predictor functions whose unknown model parameters are estimated from the data. Such models are called linear models. Most commonly, the conditional mean of the response given the values of the explanatory variables (or predictors) is assumed to be an affine function of those values; less commonly, the conditional median or some other quantile is used. Like all forms of regression analysis, linear regression focuses on the conditional probability distribution of the response given the values of the predictors, rather than on the joint probability distribution of all of these variables, which is the domain of multivariate analysis.
Linear regression was the first type of regression analysis to be studied rigorously, and to be used extensively in practical applications. This is because models which depend linearly on their unknown parameters are easier to fit than models which are non-linearly related to their parameters and because the statistical properties of the resulting estimators are easier to determine.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.