Aprender los conceptos clave
Curso Completo de Machine Learning con Scikit-learn para Principiantes
Tipos de Aprendizaje en Machine Learning: Supervisado, No Supervisado y por Refuerzo
Problemas de Clasificación, Regresión y Clustering con Scikit-learn
Fundamentos Matemáticos para Machine Learning Avanzado
Iniciar un proyecto con sklearn
Configuración Profesional de Entorno de Trabajo para Python
Instalación y configuración de librerías para Python
Análisis de Datos para el Bienestar y la Felicidad Humana
Optimización de features
Selección de Variables en Modelos de Aprendizaje Automático
Reducción de Dimensionalidad con Análisis de Componentes Principales
Reducción de Dimensionalidad y Regresión Logística con Python
Clasificación de Enfermedad Cardiaca con PCA y Regresión Logística
Funciones Kernel en la Clasificación de Datos Complejos
Regularización en Modelos de Machine Learning
Implementación de Regularización en Modelos de Regresión Lineal
Análisis de Resultados en Modelos de Regresión Ridge y Lasso
Regularización ElasticNet con Scikit-learn: Conceptos y Aplicación
Regresiones robustas
Identificación de Valores Atípicos en Datos para Modelos Predictivos
Técnicas de Regresión Robusta: RANSAC y Huber en Scikit-Learn
Regresión Lineal y Soporte Vectorial: Manejo de Datos Atípicos
Automatización de Modelos de Predicción en Python
Métodos de ensamble aplicados a clasificación
Métodos de Ensamble: Bagging y Boosting en Machine Learning
Implementación de Bagging Classifier con SAIC en Análisis Cardiaco
Métodos de Ensamble para Mejorar Clasificación en Machine Learning
Implementación de Gradient Boosting para Clasificación de Datos
Clustering
Agrupamiento de Datos en Aprendizaje No Supervisado
Agrupamiento de Caramelos con K-Means y Pandas
Agrupamiento de Datos con Algoritmo Mean Shift
Optimización paramétrica
Validación Cruzada en Modelos de Machine Learning
Validación Cruzada con Scikit-learn: Cruz Vales Cor y KFold
Optimización de Modelos con Búsqueda en Grilla y Aleatoria
Automatización de Parámetros en Modelos de Regresión con Random Forest
Optimización Automática de Modelos con Auto-sklearn
Salida a producción
Estructuración Modular de Código Python para Machine Learning
Automatización de Modelos Machine Learning con Python
Publicación de Modelos de IA con Flask y Python
Optimización de Modelos de Machine Learning para Producción
Recursos para Aprender Machine Learning y Data Science
Sayt-Kit Learn es una potente herramienta de Python que ha ganado popularidad por su capacidad para gestionar procesos de aprendizaje automático de forma profesional y accesible. Diseñada en 2007, surgió de un entorno académico, pero rápidamente se convirtió en una herramienta de múltiples propósitos, utilizada en la industria por empresas como Spotify y JP Morgan. Destaca por su versatilidad para realizar análisis estadísticos, procesamiento de datos y manejar flujos de trabajo de machine learning de principio a fin.
Accesibilidad para principiantes: Sayt-Kit Learn es ideal para aquellos sin experiencia previa en inteligencia artificial. No es necesario tener conocimientos avanzados de programación para comenzar a utilizarlo.
Facilidad de uso: Las funciones y procesos son fácilmente reconocibles y se pueden implementar sin complicaciones. Esto permite a cualquier persona empezar a trabajar de inmediato.
Amplia comunidad de soporte: La diversidad y magnitud de la comunidad es un gran apoyo. A través de redes sociales, foros y listas de correo, es posible recibir ayuda de expertos de todo el mundo, en inglés y español.
Versatilidad en producción: Al finalizar el curso, serás capaz de tener un proyecto de machine learning listo para producción sin necesidad de herramientas adicionales.
Integración de librerías externas: Sayt-Kit Learn facilita la integración de otras librerías sin tener que modificar el código base o hacer complejas modificaciones.
El primer paso para comenzar con Sayt-Kit Learn es dirigirse a su página web oficial (https://scikit-learn.org). Ahí encontrarás una gran cantidad de recursos didácticos, incluyendo imágenes, ejemplos y un API detallado. La nueva interfaz simplificada facilita el acceso al material específico que podrías necesitar.
Explorar esta página te ayudará a conocer mejor las capacidades de esta herramienta y te permitirá establecer metas claras para tu aprendizaje y desarrollo en inteligencia artificial.
En el curso se abordarán tres áreas principales usando Sayt-Kit Learn:
Preprocesamiento de datos: Aprenderás a normalizar y transformar datos para trabajar mejor con ellos.
Modelado y selección de modelos: Descubrirás cómo elegir el modelo adecuado para problemas específicos y optimizar procesos de machine learning aumentando la eficiencia.
Optimización de modelos: El curso te mostrará herramientas para optimizar tus modelos y garantizar el éxito de tus proyectos de machine learning.
Te animamos a que explores la página web, definas tus objetivos de desarrollo y conocimiento, y te prepares para emprender este emocionante viaje en el mundo del aprendizaje automático con Sayt-Kit Learn.
Aportes 28
Preguntas 2
Vengo del futuro donde ya he terminado el curso:
Les comparto mi repositorio de GitHub dónde encontraran mucha ayuda para el mismo. En especial en los temas finales donde en algunas ocaciones solo se mencionan ciertos temas de forma superficial o dónde no termina de haber código,
https://github.com/ichcanziho/cursos_platzi/tree/master/machine_learning_scikit_learn
Este repostorio contiene todas las notas útiles de otros alumnos a lo largo del curso más notas de mi cosecha. El readme contiene código limpio y fácil de leer.
Enjoy the journey dear cowboy.
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.
Módulos de Scikit-learn
1.- Clasificación.
2.- Regresión.
3.- Clustering.
4.- Preprocesamiento.
5.- Reducción de dimensionalidad.
6.- Selección del modelo.
Ojalá que si den ejemplos para hacer desplegar los modelos a producción. Eso es alg que le falta a la mayoría de cursos.
Les comparto a todos quienes quieren aprender un poco mas, el canal tiene ejemplos desde sencillos a complejos, incluyendo la parte teórica 😃
Excelente profesor.
A darle!! A afinar los conocimientos de sklearn!!
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
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.
Excelente profesor.
letss gooo con el curso !! inicio motivado
Se ve muy bien el curso, los contenidos también aplica para los interesados en Data Science.
Saludos, en mi caso la versión estable es la 1.13
Iniciaré este curso, el profe anima bastante con solo hablar, espero poder aprender mucho en este curso!
Aprender sobre Análisis de Series Temporales (MA, por sus siglas en inglés “Moving Average”) utilizando la biblioteca Scikit-Learn puede ser muy útil para comprender y modelar datos temporales en diversas aplicaciones
excelente profe no se donde esta la escuela ya que me gustaria conocerla soy de bucaramanga
Este curso parte con buen animo! Vamos por ello
Les recomiendo de igual manera, revisar las páginas, con eso no llegan tan perdidos
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
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?