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

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Regresión lineal simple y regresión lineal múltiple

9/34
Recursos

Aportes 19

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

algo que vale la pena mencionar es que cuando tienes muchas variables X1, X2, …Xn puede suceder que la información mas trascendente se encuentre contenida en tan solo 3 , 5 o unas pocas variables asi que se intenta realizar una “reducción de la dimensión” de manera que solo trabajemos con aquellas variables que representan mayor importancia. métodos para esto pueden ver el más conocido como PCA (principal component analysis)

Resumen

Regresión lineal y múltiple

El algoritmo de regresión lineal nos ayuda a conseguir tendencia en los datos, este es un algoritmo de tipo supervisado ya que debemos de usar datos previamente etiquetados.

En la regresión lineal generamos, a partir de los datos, una recta y es a partir de esta que podremos encontrar la tendencia o predicción.

Generalmente es importante tener en cuenta varias dimensiones o variables al considerar los datos que estamos suministrando al modelo, recordando siempre cuidar este set de sobreajuste o subajuste.

Cuando nuestro modelo considera más de dos variables el algoritmo de regresión que usamos se conoce como Regresión Lineal Múltiple y este trabaja sobre un sistema de referencia conocido como hiperplano.

Los algoritmos de regresión, tanto lineal como múltiple trabajan únicamente con datos de tipo cuantitativos.

** OJO: QUE ESTOS ALGORITMOS SE USAN CUANDO SE TIENEN DATOS DE TIPO CUANTITATIVOS.**

Regresión Lineal Simple

  • Es un algoritmo de aprendizaje supervisado que nos indica la tendencia de un conjunto de datos cuyas variables estén relacionadas.

Regresión Lineal Múltiple

  • Permite hallar la tendencia entre más de dos variables

Nota

  • Este algoritmo se usa solamente para datos cuantitativos

Les recomiendo este post para profundizar un poco más sobre Regresión Lineal Multiple.

Les recomiendo este post para profundizar un poco más sobre Regresión lineal.

Regresión lineal simple y regresión lineal múltiple

Son algoritmos de tipo supervisado

Regresión lineal simple
Algoritmo de aprendizaje supervisado que nos indica la tendencia de un conjunto de datos continuos, modelando la relación entre una variable dependiente Y y una variable explicativa llamada X.

Esto se representa en una gráfica bidimensional X, Y

cada punto en la gráfica es un elemento de la muestra de datos

Se busca obtener la ecuación de la pendiente optimizada para los datos

$$
Yi = b + mXi
$$

Con la regresión lineal simple se puede buscar la relación entre una característica y otra, Ejemplo: salario de las personas a lo largo del tiempo

pero en el caso de tener mas de una caracteristica es decir un ejemplo como: Salario de las personas en base a años de experiencia, edad, estudios, años en la compañia, cantidad de empleos anteriores etc…

para poder trabajar con multiples características se usa la

Regresión lineal multiple
Si nuestro problema tiene más de dos variables se le considera lineal multiple

Al tener multiples dimensiones X, Y, Z, etc. Son representados gráficamente por un hiperplano.

Economistas a mi!

Como complemento, les dejo el vídeo de dot csv donde explica la regresión lineal. Y si estas empezando en el mundo de la AI te recomiendo que sigas su canal.

uuufff super recomendando ese video para entender regresión lineal simple y múltiple como complemento a la clase https://www.youtube.com/watch?v=k964_uNn3l0


Muy buena grafica Gracias Yesi

Regresion Lineal Simple, con PREDICCION !!!

https://www.w3schools.com/python/python_ml_linear_regression.asp

Regresión lineal simple

Regresión lineal múltiple

De una forma muy clara explicaste lo de las regresiones, muchas gracias. Listo para ponerlo en practica.

La regresión lineal me entrega una predicción dependiendo de los datos históricos con los que se haga el cálculo.

Una de las aplicaciones también es la cantidad de ventas de un producto

siissiisis

Hola chicos, yo se que a través de variables dimmies podemos hacer una regresión lineal múltiple sin ningún problema, pero aquí enfatizan en que la regresión lineal sólo admite datos cuantitativos. Mi pregunta es: ¿esto es debido al método que usamos para estimar los parámetros?