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
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:
Es importante comprender el problema que se quiere solucionar o que es lo que se quiere aplicar.
Obtener un conjunto de datos para entrenar el modelo.
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.
Entrenamos nuestro algoritmo con datos históricos con el fin de que nos pueda proporcionar información util para nuestro fin (una predicción acertada).
Para ello debemos elegir un modelo, entrenarlo y probar si nuestro modelo acierta.
La elección del modelo no es al azar, debemos conocer el problema que queremos resolver y obtener la información necesaria.
Es importante que la información con la que trabajamos esté bien tratada (evitar datos nulos o faltantes) y evitar los datos irrelevantes.
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)
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.
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.