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

Bonus: Auto Machine Learning

32/37

Lectura

A estas alturas, después de ver la forma en la que scikit-learn nos permite semi-automatizar la optimización de nuestros modelos con GridSearchCV y RandomizedSearchCV es posible que te estés preguntando ¿Cuál es el límite de esta automatización?

...

Regístrate o inicia sesión para leer el resto del contenido.

Aportes 10

Preguntas 0

Ordenar por:

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

o inicia sesión.

Muy interesante este tema.
Lo increíble es que mi mente leyó todo con la voz del profesor xD

Yo pensaba que estudiando ML iba a tener mejores oportunidades laborales y ya están haciendo el Automated Machine Learning, creo que llegué tarde 😦
“En “A Brief Introduction to AutoML”, publicado por la revista de AI Becoming human, se indica que ML puede requerir contratar varias personas experimentadas y seguir sus sugerencias a propósito de qué modelo elegir. Mientras que con AutoML no hace falta hacer tal contratación, porque personal con menos experiencia técnica puede hacer un desarrollo exitoso utilizando un modelo pre-construido en el sistema y que hasta puede usarse para implementaciones futuras”

AutoML muestra que es posible que sean las propias redes neurales las que diseñen este tipo de redes” … Carajo, esto y el GPT-3 nos van a joder bastante por lo visto.

Creo que Platzi debería sacar estos cursos de AutoML, 🤔

Además de estas hay muchas otras librerias de AutoML igualmente muchas están en desarrollo:
https://pycaret.org/
https://autokeras.com/
https://docs.h2o.ai/h2o/latest-stable/h2o-docs/welcome.html
https://ludwig.ai/latest/
https://mlbox.readthedocs.io/en/latest/
https://www.automl.org/automl/autopytorch/

BONUS:
esta es una herramienta para automatizar procesos de análisis exploratorio de datos:
https://pandas-profiling.ydata.ai/docs/master/index.html

Interesante, con esto en mente solo queda una cosa que hacer, reventar la PC a computo. jsjsjsjs

Curso de auto-sklearn! Por favor

Los enlaces de GitHub están caídos!

Muy interesante :3

Es interesante ver la manera en la cual, a través de cada curso que uno hace se ven formas más fáciles e interesantes de aplicar los modelos de ML. Lo que nos puede llevar a la conclusión, de que hay que educar a las empresas tradicionales, para que lo empiecen a aplicar en su toma de decisiones.