Aprender los conceptos clave

1

Curso Completo de Machine Learning con Scikit-learn para Principiantes

2

Tipos de Aprendizaje en Machine Learning: Supervisado, No Supervisado y por Refuerzo

3

Problemas de Clasificación, Regresión y Clustering con Scikit-learn

4

Fundamentos Matemáticos para Machine Learning Avanzado

Iniciar un proyecto con sklearn

5

Configuración Profesional de Entorno de Trabajo para Python

6

Instalación y configuración de librerías para Python

7

Análisis de Datos para el Bienestar y la Felicidad Humana

Optimización de features

8

Selección de Variables en Modelos de Aprendizaje Automático

9

Reducción de Dimensionalidad con Análisis de Componentes Principales

10

Reducción de Dimensionalidad y Regresión Logística con Python

11

Clasificación de Enfermedad Cardiaca con PCA y Regresión Logística

12

Funciones Kernel en la Clasificación de Datos Complejos

13

Regularización en Modelos de Machine Learning

14

Implementación de Regularización en Modelos de Regresión Lineal

15

Análisis de Resultados en Modelos de Regresión Ridge y Lasso

16

Regularización ElasticNet con Scikit-learn: Conceptos y Aplicación

Regresiones robustas

17

Identificación de Valores Atípicos en Datos para Modelos Predictivos

18

Técnicas de Regresión Robusta: RANSAC y Huber en Scikit-Learn

19

Regresión Lineal y Soporte Vectorial: Manejo de Datos Atípicos

20

Automatización de Modelos de Predicción en Python

Métodos de ensamble aplicados a clasificación

21

Métodos de Ensamble: Bagging y Boosting en Machine Learning

22

Implementación de Bagging Classifier con SAIC en Análisis Cardiaco

23

Métodos de Ensamble para Mejorar Clasificación en Machine Learning

24

Implementación de Gradient Boosting para Clasificación de Datos

Clustering

25

Agrupamiento de Datos en Aprendizaje No Supervisado

26

Agrupamiento de Caramelos con K-Means y Pandas

27

Agrupamiento de Datos con Algoritmo Mean Shift

Optimización paramétrica

28

Validación Cruzada en Modelos de Machine Learning

29

Validación Cruzada con Scikit-learn: Cruz Vales Cor y KFold

30

Optimización de Modelos con Búsqueda en Grilla y Aleatoria

31

Automatización de Parámetros en Modelos de Regresión con Random Forest

32

Optimización Automática de Modelos con Auto-sklearn

Salida a producción

33

Estructuración Modular de Código Python para Machine Learning

34

Automatización de Modelos Machine Learning con Python

35

Publicación de Modelos de IA con Flask y Python

36

Optimización de Modelos de Machine Learning para Producción

37

Recursos para Aprender Machine Learning y Data Science

Curso Completo de Machine Learning con Scikit-learn para Principiantes

1/37
Recursos
Transcripción

¿Qué es Sayt-Kit Learn y por qué deberías usarlo?

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.

¿Cuáles son las ventajas de Sayt-Kit Learn?

  1. 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.

  2. 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.

  3. 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.

  4. Versatilidad en producción: Al finalizar el curso, serás capaz de tener un proyecto de machine learning listo para producción sin necesidad de herramientas adicionales.

  5. Integración de librerías externas: Sayt-Kit Learn facilita la integración de otras librerías sin tener que modificar el código base o hacer complejas modificaciones.

¿Cómo puedes comenzar a usar Sayt-Kit Learn?

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.

¿Qué ofrece la página de Sayt-Kit Learn?

  • Tutoriales: Paso a paso para entender y aplicar diferentes técnicas.
  • Ejemplos: Casos prácticos para familiarizarte con su uso.
  • Documentación detallada: Información sobre cada función y parámetro.

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.

¿Qué puedes lograr con Sayt-Kit Learn en el curso?

En el curso se abordarán tres áreas principales usando Sayt-Kit Learn:

  1. Preprocesamiento de datos: Aprenderás a normalizar y transformar datos para trabajar mejor con ellos.

  2. Modelado y selección de modelos: Descubrirás cómo elegir el modelo adecuado para problemas específicos y optimizar procesos de machine learning aumentando la eficiencia.

  3. 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

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

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 😃

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

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

¿Qué es un Modelo de Promedio Móvil (MA)?

  • Un modelo de Promedio Móvil es un tipo de modelo utilizado en el análisis de series temporales para predecir valores futuros basado en un promedio ponderado de observaciones pasadas y presentes. La idea principal es que el valor actual de la serie se relaciona con un promedio de los valores pasados, donde el peso de cada observación disminuye a medida que retrocedemos en el tiempo.
No se requiere un curso previo específico para tomar el curso de Machine Learning con Scikit-Learn. Sin embargo, tener conocimientos básicos en Python y estadísticas te será útil para entender mejor los conceptos. El curso está diseñado para guiarte en el aprendizaje de los algoritmos de Machine Learning desde cero, así que no te preocupes si no tienes experiencia previa.
Le tengo mucha fe a este curso
Empiezo este curso con MUCHA expectativa.
🥹🥹
se ve que va a estar bueno el curso!

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