Si te interesa el tema, te recomiendo el curso:
Introducción al análisis exploratorio de datos
Qué aprenderás sobre el análisis exploratorio de datos
Qué es el análisis exploratorio de datos
Comparación del EDA con el análisis clásico y el análisis bayesiano
Herramientas de software para análisis exploratorio de datos
Visualizaciones de EDA
Estadística básica
Transformación de los datos
Estadística descriptiva
Distribución de los datos
Procesamiento de datos
Medidas de tendencia central
Medidas de dispersión
Agrupamiento de datasets
Integración de datos
Pivot tables y cross-tabulations
Operaciones de datos
Correlación
Análisis multivariable empleando el dataset Titanic: gráficos de barras
Análisis multivariable empleando el dataset Titanic: mapa de distribución y mapa de correlación
Paradoja de Simpson
Correlación no implica causalidad
Procesamiento de series de tiempo
Análisis de Series de Tiempo (TSA)
TSA con Open Power System Data
Desarrollo y evaluación de modelos
Regresión y evaluación de hipótesis
Métricas de evaluación y regresión
Ejemplo completo de análisis exploratorio de datos
Análisis exploratorio completo
Cierre de del curso
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Crear cuenta
Si ya tienes una cuenta,
Iniciar sesión
Regresión y evaluación de hipótesis
22/25Recursos
Aportes 8
Preguntas 0
Ordenar por:
Si no tienes conocimientos sobre machine learning, recomiendo primero tomar este curso de estadística, ahí explican a lápiz y papel como hacer una regresión lineal y las bases de muchos de estos algoritmos.
Ok, esta clase fue muy útil, es muy intuitivo el uso de las herramientas de machine learning una vez entiendes la teoría detrás, por eso les recomiendo primero saber la teoría detrás de estas herramientas antes de aventurarse a usarlas, es un campo fascinante.
Otra forma de tomar las variables independientes o features del dataset:
.
X = data.iloc[:, 0:4].values
Al final el random_state, no es necesariamente un 40%, simplemente es un parametro que se le agrega y es equivalente a la seed, lo cual hace que cada vez que corramos el codigo, nos de los mismo valores al seleccionar los conjuntos de train y test.
Si eliges un random_state != 40, no te daran los mismo resultados que le den a la profesora.
- Neural Network Regressior
- Decision tree regression
- LASSO Regression
- Ridge Regression
- ElasticNet Regression
9:45 -> Sobra un ‘list’
Al final se dice algo de porcentaje sobre random_state
Para evitar confusiones: random_state simply sets a seed to the random generator. Esto es útil pare reproducir el experimento.
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.