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 Mean-Shift

27

Implementación de Batch K-Means

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

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Creación de una API con Flask para el modelo

35/37
Recursos

Aportes 19

Preguntas 5

Ordenar por:

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

Esta ultima parte fue BRUTAL, gracias por tan poderosa herramienta 😄

Ojalá hay un curso especial de como desplegar modelos en producción. Ya sea para una aplicación web, mobil, o una API Rest

muy buena la clase

Pues a darle con el curso de Flask!

Les dejo el curso de Flask en Platzi:

Por si aún no lo habían visto

Excelente clase! Muy profesional todo lo que nos enseñó el profe Ariel.

Clase magistral de ML

Esto fue como la cereza del pastel. Todo tomo sentido con esta clase.

Yo llevo un tiempo usando el micro framework flask y me he dado cuenta que es muy versátil y muy fácil de usar, además que se lo puede usar como backend para apps web más complejas si se trabaja con módulos como blueprint para estructurar el proyecto tipo mvc, pero recalco que es una herramienta poderosa para interactuar con modelos de aprendizaje automático, por decirlo así.

Excelente el curso y la clase de API con Flask …

Alternativas más fáciles a Flask:

  • StreamLit
  • Gradio

flask
Crea servidores web basicos

import joblib
import numpy as np

from flask import Flask
from flask import jsonify

model = joblib.load(‘archivo.plk’)
app.run(port=8080)

#POSTMAN PARA PRUEBAS

#SI QUEREMOS ENVIAR DATOS -> POST
@app.route(’/predict’,methods=[‘GET’])
def predict():
X_term = np.array([1,2,3,4…])
prediction = model.predict(X_test.reshape(1,-1)
return jsonify({‘prediccion’:list(prediction)})

localhost:8080/predict

me encantó ver, que no perdí mi tiempo estudiando django y flask y fastapi, pero lo que más quiero es dedicarme a este mundo.

Excelente terminacion del proyecto, ya casi podemos implementar cualquier problema de analisis de regresion y poder predecir con mucha exactitud

Que brutal, con solo esta clase entendí un millón de cosas con respecto a llevar a producción, sin duda muy valiosa

muy buena

Genial, muy buena clase Ariel !!!

Excelente curso, las explicaciones del profesor… Muy buenas.
El contenido muy bien llevado

Muy bueno de verdad