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

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Instalación de librerías en Python

6/37
Recursos

Aportes 21

Preguntas 1

Ordenar por:

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

les dejo un truquito:
pueden crear un archivo llamado: requirements.txt
y dentro ponen todo lo que necesitan de la siguiente manera(el nombre de las librerias):
numpy
scipy
joblib
pandas
matplotlib
scikit-learn

y en su ambiente virtual ejecutan el siguiente comando:

pip install -r requirements.txt

Y así ya tienen en un archivo con los requerimientos de su proyecto y pueden ir agregando las librerías que necesiten y solo ejecutar un comando 😃

Pasos para instalar librerías

<h1>Instalación de librerías</h1>

instalación de librerías que vamos a usar en el proyecto en el entorno de trabajo

  • Install Numpy python-m pip install numpy
  • Install Scipy python -m pip install scipy
  • Install Joblib python -m pip install joblib
  • Install Pandas python -m pip install pandas
  • Install Matplotlib python -m pip install matplotlib
  • Install Scikit-lean python -m pip install scikit-learn

Corroborar la instalación

Entrar al entorno de python desde el cmd python

Importar la libreria import sklearn

imprimir la versión que estamos trabajando print(sklearn.__version__)

las librerias usadas son: numpy, scipy, pandas, matplotlib y scikit-learn
en anaconda podemos usar conda list para ver las librerias isntaladas y si usamos conda install anaconda se instalan todas las librerias automaticamente y otras mas que son utiles

Soy el único que siente que el profesor transmite mucha confianza a la hora de hablar?

yo voy a usar google colab

Cuando se crean ambientes virtuales “entorno” como lo llamo Ariel, también, se conoce como (.env, .venv y venv); todas las dependencias que se instalan se hacen en el ambiente virtual, por lo que si haces pip freeze podrás visualizar todas las librerias instaladas en el proyecto!

ATENCIÓN: Para que esto funcione, tenemos que estar atentos de que el ambiente virtual este activado

.venv\Scripts\activate.bat en Windows

y

source .venv/bin/activate en Linux y MacOS

Que buena clase!!!

Pip freeze para ver todas las librerias y versiones que tienen instaladas

instalen todo de un solo con el requirements.txt

pip install -r requirements.txt 

Otra forma para conocer las versiones instaladas es escribiendo

pip freeze

En caso de que al intentar hacer el

import sklearn

dentro del shell de python les de el siguiente error:

RuntimeError: The current Numpy installation (PATH) fails to pass a sanity check due to a bug in the windows runtime.

La solución momentanea es instalar la versión 1.19.3 de numpy.

python -m pip install numpy==1.19.3

Por si quieren instalar todas la bibliotecas con un solo comando:

Ya había usado python con anterioridad, el problema es que no tenía actualizados los paquetes, por ejemplo utilicé:

python -m pip install --upgrade numpy

Perfecto todo listo!
Se puede usar anaconda como entorno de desarrollo de ML, ya viene con todas las librerías necesarias y con VS code.

Para verificar librerías instaladas:

pip freeze

o también

pip list

para verificar todas las librerias instaladas y versiones de las mismas pueden usar el comando
pip list
no se asusten si aparecen librerias que no installaron son de cuando matplotlib

Existen distintas alternativas para el uso de scikit.-learn, uno de ellas es Google Colab, les dejo el link por si quieren conocer más al respecto:

https://colab.research.google.com/?hl=es

Nota: Para salir del Shell de Python después de comprobar la versión de Python como lo muestra en el video, se sale con exit() y enter.


Otra forma de comprobar que este instalado correctamente y la versión de la biblioteca es con el comando: python -m pip show Nombre_Del Paquete

Y para comprobar o simplemente listar los paquetes de nuestro entorno virtual es con: pip freeze , o con: pip list

me pone noqa: f401

Gran explicación

Si tienen algún problema con pip intenten con
pip install --upgrade pip --trusted-host pypi.org --trusted-host files.pythonhosted.org