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

Implementación 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

Datasets que usaremos en el curso

7/37
Recursos

Aportes 13

Preguntas 3

Ordenar por:

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

Datasets que usaremos en el curso:

  • World Happiness Report: Es un dataset que desde el 2012 recolecta variables sobre diferentes países y las relaciona con el nivel de felicidad de sus habitantes. Nota: Este data set lo vamos a utilizar para temas de regresiones
  • The Ultimate Halloween Candy Power Ranking: Es un estudio online de 269 mil votos de más de 8371 IPs deferentes. Para 85 tipos de dulces diferentes se evaluaron tanto características del dulce como la opinión y satisfacción para generar comparaciones. Nota: Este dataset lo vamos a utilizar para temas de clustering
  • Heart disease prediction: Es un subconjunto de variables de un estudio que realizado en 1988 en diferentes regiones del planeta para predecir el riesgo a sufrir una enfermedad relacionada con el corazón. Nota: Este data set lo vamos a utilizar para temas de clasificación.

los datasets estan geniales

justo en época de Halloween caí aquí 🎃🦴💀

Que hermosos los datasets!!!

Les comparto mi perfil en Kaggle compañeros:

Aun soy principiante, pero aquí esta: DataEngel

les dejo este canal hay muy buen contenido aca https://www.youtube.com/channel/UC8KCb358oioQMcJ5pUfs8UQ

Excelentes Datasets!! La IO al servicio del bienestar.

Feliz de ya contar con el material y con la fuente de los mismos.
Gracias por el material

Kaggle es una plataforma en línea que ofrece una comunidad global de científicos de datos, analistas y entusiastas de la inteligencia artificial. Fue fundada en 2010 y adquirida por Google en 2017. Kaggle una plataforma donde los profesionales y entusiastas de los datos pueden acceder a conjuntos de datos, participar en competencias de aprendizaje automático, colaborar en proyectos y mejorar sus habilidades en análisis de datos y ciencia de datos.

Kaggle parece ser una super herramienta para el aprendizaje de macnine learnig

Hola. El archivo PDF (readme-dataset-heart-disease.pdf) con la descripción del conjunto de datos “heart.csv” debería ser un poco más claro en el rango de valores que podemos encontrar. Por ejemplo, en la columna “sex”, sólo puede tomar dos valores (0 y 1; en la descripción aparece que “Hombre” es 1 y “Mujer” es 2, lo cual es incorrecto). Algo similar ocurre con la columna “cp”, cuyo rango debe ser 0 a 3, y no de 1 a 4. Por favor, corregir dicha descripción. Gracias por el curso.

se dice gigantesca