Todo lo que aprenderás sobre MA con Scikit-Learn

¿Cómo aprenden las máquinas?

Problemas que podemos resolver con Scikit-learn

Las matemáticas que vamos a necesitar

Configuración de nuestro entorno Python

Instalación de librerías en Python

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

Introducción al PCA

Preparación de datos para PCA e IPCA

Implementación del algoritmo PCA e IPCA

Kernels y KPCA

¿Qué es la regularización y cómo aplicarla?

Implementación de Lasso y Ridge

Explicación resultado de la implementación

ElasticNet: Una técnica intermedia

El problema de los valores atípicos

Regresiones Robustas en Scikit-learn

Preparación de datos para la regresión robusta

Implementación regresión robusta

¿Qué son los métodos de ensamble?

Preparación de datos para implementar métodos de ensamble

Implementación de Bagging

Implementación de Boosting

Estrategias de Clustering

Implementación de Mean-Shift

Implementación de Batch K-Means

Validación de nuestro modelo usando Cross Validation

Implementación de K-Folds Cross Validation

Optimización paramétrica

Implementación de Randomized

Bonus: Auto Machine Learning

Revisión de nuestra arquitectura de código

Importar y exportar modelos con Sklearn

Creación de una API con Flask para el modelo

Cierre del curso

Material adicional para consultar