Aprender los conceptos clave

1

Todo lo que aprenderás sobre MA con Scikit-Learn

2

¿Cómo aprenden las máquinas?

3

Problemas que podemos resolver con Scikit-learn

4

Las matemáticas que vamos a necesitar

Iniciar un proyecto con sklearn

5

Configuración de nuestro entorno Python

6

Instalación de librerías en Python

7

Datasets que usaremos en el curso

Optimización de features

8

¿Cómo afectan nuestros features a los modelos de Machine Learning?

9

Introducción al PCA

10

Preparación de datos para PCA e IPCA

11

Implementación del algoritmo PCA e IPCA

12

Kernels y KPCA

13

¿Qué es la regularización y cómo aplicarla?

14

Implementación de Lasso y Ridge

15

Explicación resultado de la implementación

16

ElasticNet: Una técnica intermedia

Regresiones robustas

17

El problema de los valores atípicos

18

Regresiones Robustas en Scikit-learn

19

Preparación de datos para la regresión robusta

20

Implementación regresión robusta

Métodos de ensamble aplicados a clasificación

21

¿Qué son los métodos de ensamble?

22

Preparación de datos para implementar métodos de ensamble

23

Implementación de Bagging

24

Implementación de Boosting

Clustering

25

Estrategias de Clustering

26

Implementación de Batch K-Means

27

Implementactión de Mean-Shift

Optimización paramétrica

28

Validación de nuestro modelo usando Cross Validation

29

Implementación de K-Folds Cross Validation

30

Optimización paramétrica

31

Implementación de Randomized

32

Bonus: Auto Machine Learning

Salida a producción

33

Revisión de nuestra arquitectura de código

34

Importar y exportar modelos con Sklearn

35

Creación de una API con Flask para el modelo

36

Cierre del curso

37

Material adicional para consultar

Todo lo que aprenderás sobre MA con Scikit-Learn

1/37
Recursos
Transcripción

Aportes 19

Preguntas 1

Ordenar por:

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

les dejo este canal para complementen este curso: https://www.youtube.com/channel/UCLJV54sFqPiH4MYcJKvGesg

He hecho algunos ejercicios con PyTorch y con SciKit Learn, y me parece que SciKit Learn tiene los métodos más encapsulados que pytorch, quiero decir que el procedimiento para entrenar y probar un modelo de regresión logística por ejemplo, en sciKit-learn es mas fácil.

Excelente profesor.

Les comparto a todos quienes quieren aprender un poco mas, el canal tiene ejemplos desde sencillos a complejos, incluyendo la parte teórica 😃

https://www.youtube.com/c/codebasics/playlists

letss gooo con el curso !! inicio motivado

Se ve muy bien el curso, los contenidos también aplica para los interesados en Data Science.

Ojalá que si den ejemplos para hacer desplegar los modelos a producción. Eso es alg que le falta a la mayoría de cursos.

El curso de PyTorch no me ha gustado, comenzando por el ejemplo que realizo el docente y que al modificar un poco los datos no funciona. por lo cual, espero que este sea diferente y por lo menos si es más motivante.

Módulos de Scikit-learn

1.- Clasificación.
2.- Regresión.
3.- Clustering.
4.- Preprocesamiento.
5.- Reducción de dimensionalidad.
6.- Selección del modelo.

Excelente profesor.

Hola Ariel soy estudiante de la UNAB me alegra verte por aqui tu empresa es muy sonada felicitaciones por los trabajos del año pasado con ecopetrol algunos compañeros me los mostraron fueron muy buenos

A darle!! A afinar los conocimientos de sklearn!!

Este curso parte con buen animo! Vamos por ello
Les recomiendo de igual manera, revisar las páginas, con eso no llegan tan perdidos

¿Por qué usar Scikit-learn?

  • Curva de aprendizaje suave.
  • Es una biblioteca muy versátil.
  • Comunidad de soporte.
  • Uso en producción.
  • Integración con librerías externas.

Tengo muchas expectativas de este curso, he revisado ejemplos de Scikit Learn sobre regresión lineal y logística, tiene una estructura bien intuitiva y comprensiva tan solo tiene una base de los modelos de aprendizaje. 😃

Estoy muy motivado, emocionado y con altas expectativas de este curso. A darle con toda!!

Let’s go!!!

Clave el pela