Justificación y contexto de tu proyecto

1

Cómo crear tu proyecto de ciencia de datos

2

Crea proyectos para afianzar tus conocimientos en ciencia de datos

3

Cada cuánto hacer un proyecto de datos

4

Dónde sacar ideas para proyectos de ciencia de datos

5

Generar y comunicar un proyecto de datos

6

Casos: personas que ya pasaron por este camino

Quiz: Justificación y contexto de tu proyecto

Ejecutando un proyecto de ciencia de datos

7

Plantea una pregunta interesante

8

Obteniendo los datos para tu proyecto

9

Ejecutando: obteniendo los datos

10

Limpieza de la información

11

Ejecutando: limpia tu conjunto de datos

12

Explora y encuentra patrones en la información

13

Ejecutando: exploración de la información

14

Ejecutando: completando la exploración de la información

15

Enriquecimiento de los datos para análisis profundo

16

Ejecutando: enriquecimiento de los datos

17

Aplicando un modelo de machine learning

18

Ejecutando: aplicando un modelo supervisado de machine learning

19

Ejecutando: aplicando un modelo no supervisado de machine learning

20

Ejecutando: aplicando un modelo no supervisado de anomalías

21

Prepara tu trabajo para comunicarlo con el mundo

22

Ejecutando: prepara tu trabajo para comunicarlo con el mundo

Quiz: Ejecutando un proyecto de ciencia de datos

Comunicando los resultados

23

Por qué es importante comunicar los resultados

24

Escribiendo tu primer blogpost técnico

25

Compartiendo en comunidad con tu primera presentación

26

Cómo mejorar tu repositorio en GitHub para ciencia de datos

27

Haciendo deploy de tus modelos

28

Construyendo una aplicación full stack que consuma tu proyecto

Quiz: Comunicando los resultados

Últimos pasos

29

Elige terminar: es mejor terminado que perfecto

30

Recuerda los objetivos del proyecto: practicar y carta de presentación

31

Comparte tu proyecto

32

Share sessions y office hours: comparte y asesorate de tu proyecto

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Ejecutando: aplicando un modelo supervisado de machine learning

18/32
Recursos

Aportes 6

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Hola, seguramente notaste que el modelo aplicado resultó no ser tan bueno a la salida. Recuerda que a diferencia de muchos cursos, estamos usando un conjunto de datos recién salido del mundo real para generar el modelo, sin suficiente trabajo para poder tener la potencia inferencial necesaria.

No quiero dejar de mencionarte, que para mejorar este modelo tendríamos que continuar:

  • Enriqueciendo el conjunto de datos para describir mejor el contexto de las variables descritas: Todos los identificadores categóricos expandirlos con sus características.
  • Obtener más datos, que permitan al modelo imprimir más de las interacciones que tiene la información.

Sin duda, tendríamos que verificar si estamos en underfitting (Necesitamos mayor cantidad de características y datos) y llegar al punto de overfitting (Buscar expandir y generalizar el modelo) para ajustar y enfocarse a un modelo que generalice (Que baje su error en el set de testing)

Lo que vemos aquí es el ejemplo de como atacaríamos la primera iteración, pero tendríamos que continuar hasta el punto en el que la métrica de éxito de nuestro modelo (generalmente la precisión o Exhaustividad para modelos supervisados categóricos, la R2 o medidas de error para regresiones) esté más allá de nuestro limite inferior de tolerancia.

Para saber más de esto, te recomiendo los cursos de Machine Learning de aquí mismo: Tu escuela de data science en Platzi.

Que buen curso, gracias Ricardo por compartir estos conocimientos

Llevo meses en este curso lo empecé el 22 de enero… no lo deje abandonado… llevo todo eso buscando y limpiando la data… por fin llegue al modelo y me imagino pasaré un buen rato en este punto XD

No entendi un chorizo…

Sinceramente no tengo idea que hice en la segunda mitad del video.

De esta clase si siento que aprendi menos que las demas,