Fundamentos pr谩cticos

1

Aplica Platzidoro en este curso y asegura el 茅xito de tu aprendizaje

2

Los fundamentos de machine learning que aprender谩s

3

Introducci贸n a Numpy

4

Introducci贸n y manipulaci贸n de datos con Pandas

5

Introducci贸n a ScikitLearn

6

Comandos b谩sicos de las librer铆as usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresi贸n Lineal y Log铆stica

7

驴Qu茅 es la predicci贸n de datos?

8

Sobreajuste y subajuste en los datos

9

Regresi贸n lineal simple y regresi贸n lineal m煤ltiple

10

Regresi贸n lineal simple con Scikit-Learn: divisi贸n de los datos

11

Regresi贸n lineal simple con Scikit-Learn: creaci贸n del modelo

12

Regresi贸n log铆stica con Scikit-Learn: definici贸n y divisi贸n de datos

13

Regresi贸n log铆stica con Scikit-Learn: evaluaci贸n del modelo

14

Matriz de confusi贸n

15

PlatziDoro C谩psula 1

脕rboles de decisi贸n

16

驴Qu茅 es un 谩rbol de decisi贸n y c贸mo se divide?

17

Comprendiendo nuestro data set para la creaci贸n de un 谩rbol de decisi贸n

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificaci贸n

20

Visualizaci贸n del 谩rbol de decisi贸n

K-Means

21

驴Qu茅 es K-Means?

22

Cargando el data set de Iris

23

Construcci贸n y evaluaci贸n del modelo con K-Means

24

Graficaci贸n del modelo

25

PlatziDoro C谩psula 2

Aprendizaje profundo

26

Introducci贸n al aprendizaje profundo

27

Conceptos b谩sicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creaci贸n de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluaci贸n de la red convolucional

32

PlatziDoro C谩psula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Cargando el data set de Iris

22/34
Recursos

Aportes 14

Preguntas 2

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

Una forma m谩s sencilla de cargar los datos al DataFrame ser铆a:

x = pd.DataFrame(iris.data, columns=iris.feature_names)

Aqui estan el codigo para el que guste lo pueda usar a su voluntad.

from sklearn.cluster import KMeans
from sklearn import datasets
import pandas as pd

import matplotlib.pyplot as plt

iris = datasets.load_iris()

X_iris = iris.data
Y_iris = iris.target

x = pd.DataFrame(iris.data, columns = ['Sepal Lenght', 'Sepal Width', 'Petal Length', 'Petal Width'])
y = pd.DataFrame(iris.target, columns = ['Target'])
x.head(5)

	Sepal Lenght 	Sepal Width 	Petal Length 	Petal Width
0 	5.1 	3.5 	1.4 	0.2
1 	4.9 	3.0 	1.4 	0.2
2 	4.7 	3.2 	1.3 	0.2
3 	4.6 	3.1 	1.5 	0.2
4 	5.0 	3.6 	1.4 	0.2

plt.scatter(x['Petal Length'], x['Petal Width'], c = 'blue')
plt.xlabel('Petal Length', fontsize = 10)
plt.ylabel('Petal Width', fontsize = 10)

Text(0, 0.5, 'Petal Width')

No habria necesidad de escribir las columnas, ya viene en el set de datos, bastaria con hacer: columns= iris.feature_names

Ac谩 dejo los dos grupos: P茅talos y S茅palos

plt.scatter(x['Petal Length'], x['Petal Width'], c='blue')
plt.scatter(x['Sepal Length'], x['Sepal Width'], c='red')
plt.xlabel('Petal - Sepal Length', fontsize=10)
plt.ylabel('Petal - Sepal Width', fontsize=10)
plt.show()

Ejemplo de aplicaci贸n:

  • Dataset iris: Presenta los datos de flores: virginica, versicolor y setosa (50 muestras de cada especie), estos datos son: largo y ancho del petalo y del s茅palo.

  • Para ello importamos el m贸dulo KMeans desde sklearn.cluster (from sklearn.cluster import KMeans)

  • Para cargar los datos de iris importamos el m贸dulo datasets (from sklearn import datasets), luego cargamos el dataset a una variable (<var>=datasets.load_iris())



En 茅ste enlace o en 茅ste otro enlace pueden encontrar teor铆a muy completa y en espa帽ol sobre el M茅todo del Codo incluyendo c贸digo en Python.

Ese data set es muy simple, seria interesante usar un mejor ejemplo para demostrar las funcionalidades del kmeans

Esta es la manera en la que yo cargue el Dataset a un DataFrame

import pandas as pd
from sklearn import datasets

iris = datasets.load_iris()

df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

target_dict = { index : name for index, name in enumerate(iris.target_names) }
df['target name'] = df['target'].apply(lambda x: target_dict[x])

jajajajjajajaj es el que esta en la introducion de este curso

Para obtener una muestra aleatorio de 5 datos de dataframe:

x.sample(n=5)

El agrupamiento (clustering) es una t茅cnica de Machine Learning que consiste, en pocas palabras, en dividir cierta poblaci贸n en grupos con la consecuencia de que los datos en un grupo sean m谩s similares entre ellos que comparado con los otros grupos.

iris = datasets.load_iris()
x = pd.DataFrame(iris.data, columns=['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'])
y = pd.DataFrame(iris.target, columns=['Target'])```

En un ejemplo aplicado a un proceso de compra venta, dependiendo del objetivo solo cambiaria el data set?