sería excelente un curso avanzado de machine learning
Introducción al curso
Tu primera regresión lineal con scikit-learn
Análisis de datos para tu primera regresión lineal
Entrenando un modelo de regresión lineal con scikit-learn
Cómo funciona la regresión lineal
¿Qué es la regresión lineal?
Cuándo utilizar un modelo de regresión lineal
Función de pérdida y optimización: mínimos cuadrados
Evaluando el modelo: R^2 y MSE
Quiz: Cómo funciona la regresión lineal
Regresión lineal multivariable
Regresión lineal multivariable
Análisis de regresión multivariable
Proyecto práctico
Regresión lineal para predecir los gastos médicos de pacientes
Exploración y preparación de datos
Análisis de correlación de los datos
Entrenamiento del modelo
Evaluando el modelo
Mejorando el modelo
Quiz: Proyecto práctico
Pasos siguientes
¿Qué hay más allá de la linealidad?
Siguientes pasos en modelos de inteligencia artificial
Comparte tu proyecto de regresión lineal y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Convierte tus certificados en títulos universitarios en USA
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
19 Días
2 Hrs
20 Min
3 Seg
¿Qué hay más allá de la linealidad?
16/18Recursos
Aportes 25
Preguntas 0
Ordenar por:
Si por favor un curso avanzado de Machine Learning!
sin duda es necesario un curso avanzado de modelos, pero rescatando la teoría Estadística, al fin y al cabo los comando están en la documentación oficial de la librería
Por supuesto que necesitamos más cursos avanzados! Que está bien ampliar los básicos, pero hay que equilibrar y Platzi aún tiene grandes oportunidades en ese sentido!
Claro que necesitamos mas cursos avanzados, me uno a la petición.
Este es uno de los cursos mas top que he tomado en plataforma de Platzi, seria genial que pudieran hacer un curso de machine learning avanzado.
esos temas de curso “avanzado” deberían estar en el curso básico son esenciales para que uno pueda tener una comprensión completa detrás de lo que pasa en el código…
- teoría
- práctica
Me uno a la petición para un curso avanzado! Sin duda lo tomaría
Yo lo que veo es que antes de tener cursos más abanzados, seria mejor profundizar en las bases. Se dejan muchas cosas para que se hagan de forma mecanica sin una base real de por que se debe hacer de una forma u otra.
También existe la aplicación de transformaciones de kernel para seguir usando modelos lineales. Con la idea de los kernels se puede explicar de manera muy bonita lo que es una red neuronal. Les recomiendo el libro “deep learning book” de ian goodfellow.
para ser un curso introductorio, esta super bueno!!!
Con respecto a lo que mencionas, sería útil un curso más avanzado del tema. Recién estuve desarrollando un modelo con regresión multivariable para estimar las métricas de un problema pero los resultados son muy “parejos” y suena buena la propuesta de regularización y uso de polinomios, hubiera sido bueno tener ejemplos prácticos de eso
Claro que se necesitaría mas cursos como estos, donde expliquen la teoría de estadística y la aplicación con machine learning, como: Regresión Logística , Árbol de decisión , etc. Por otro lado, me gusto mucho este curso.
Sin duda es lo que le falta a platzi para ser aún mejor, cursos avanzados y de larga duración.
Últimamente los cursos son muy básicos y su duración es muy baja. Así que abogo por cursos avanzados y más largos.
Si, por su puesto me gustaría ver mas curso avanzados sobre machine learning y toda una escuela si es posible
Por supuesto que todos nos quedamos esperando ese curso avanzado de ML. De mientras dejo estos conceptos para que todos los que quieran los estudien con un buen detenimiento:
1. **Modelo: Regresión Polinomial**
* **Se usa para**: Capturar relaciones no lineales en los datos aumentando el grado de las variables de entrada (como X², X³).
* **Ejemplo**: Modelar la relación entre la edad y el ingreso donde el ingreso crece rápidamente al principio, se estabiliza en la madurez y decrece en la vejez.
2. **Modelo: Árboles de Decisión**
* **Se usa para**: Dividir los datos en subconjuntos más pequeños, tomando decisiones basadas en las características más importantes.
* **Ejemplo**: Predecir si un paciente tiene una enfermedad basándose en parámetros médicos como presión sanguínea y colesterol.
3. **Modelo: Random Forest**
* **Se usa para**: Mejorar la predicción mediante la combinación de múltiples árboles de decisión (bagging), reduciendo el sobreajuste.
* **Ejemplo**: Predecir el precio de una casa utilizando múltiples árboles de decisión con características como el número de habitaciones, tamaño, y ubicación.
4. **Modelo: Gradient Boosting**
* **Se usa para**: Crear un modelo secuencial donde cada árbol nuevo corrige los errores del anterior, mejorando la precisión.
* **Ejemplo**: Clasificar correos electrónicos como spam o no spam basándose en una serie de reglas aprendidas de iteraciones anteriores.
5. **Modelo: Regresión Logística**
* **Se usa para**: Clasificar eventos binarios, como sí/no o verdadero/falso, a partir de una o varias variables independientes.
* **Ejemplo**: Determinar si un cliente comprará o no un producto basado en su historial de compras y comportamiento de navegación.
6. **Modelo: Redes Neuronales**
* **Se usa para**: Capturar relaciones extremadamente complejas entre las variables de entrada y salida mediante capas neuronales conectadas.
* **Ejemplo**: Reconocimiento de imágenes donde se aprende a identificar objetos como coches o personas en fotografías.
7. **Modelo: Máquinas de Soporte Vectorial (SVM) con Kernel**
* **Se usa para**: Transformar datos no lineales en un espacio dimensional superior, haciéndolos linealmente separables.
* **Ejemplo**: Clasificar tipos de flores en función de sus características como el largo y ancho de los pétalos y sépalos.
8. **Modelo: Regresión Ridge**
* **Se usa para**: Ajustar un modelo lineal controlando el sobreajuste mediante la penalización de coeficientes grandes.
* **Ejemplo**: Predecir los precios de propiedades ajustando un modelo que no dependa tanto de características influyentes extremas.
9. **Modelo: Regresión Lasso**
* **Se usa para**: Similar a Ridge, pero también puede reducir coeficientes a cero, seleccionando automáticamente las variables más importantes.
* **Ejemplo**: Seleccionar las características clave para predecir los ingresos anuales de una persona eliminando aquellas irrelevantes.
10. **Modelo: Elastic Net**
* **Se usa para**: Combinar Ridge y Lasso para ajustar un modelo que penaliza tanto coeficientes grandes como innecesarios.
* **Ejemplo**: Predecir el rendimiento académico de estudiantes basándose en múltiples factores, eliminando variables irrelevantes y limitando el sobreajuste.
Muchas gracias profesor. Excelente curso !
Profundizar en estos conceptos matemáticos estaría super perfectooo!
Exelente, sería interesante tener cursos avanzados de machine learning.
Me encanta que siempre nos permitan conocer que más herramientas nos sirven a futuro.
Ciertamente la Regresión lineal es indispensable, pero conocer la mayoría mejora nuestro catálogo de modelos.
Felicitaciones! que buen curso!!
En el momento que tomo este curso ya sé que hay un avanzado, sigan actualizandose así Platzi 🚀🔥
😎----->Análisis de regresión multivariable<----
Todo este tiempo hemos aprendido la manera en la que se manejan los modelos de regresion lineal, mas cuando no se tiene un modelo asi, hay que acudir a los Modelos Polinomiales.
Donde ya no es solo variables simples como x1 o x2 sino, tamb con variables con exponentes. Haciendo asi que las lineas sean curvas (en forma de ondas). Sin embargo, con estas graficas no solo se puede llegar a predecir un modelo, sino que en algunos casos su precision llega a ser incluso mejor que la de un modelo de regresion lineal. Ya qu edebido a la variaza que estos modelos tienen, llegan a cubrir mucho mejor la varianza que hay en los resultados. A este tipo de modelos se le conoce como de varianza, y a los tradicionales que hemos visto en este curso se les llama de sesgo.
σ Despues, Luis explica que al usar machine learnig, buscamos usar modelos de regularizacion para reducir el sesgo y varianza que tenga nuestro modelo. Lo que se hace, entonces, es reducir la vairanza que tenga un modelo, aunque esto aumente su sesgo, ya que es aceptable la inperfeccion en un sesgo.
σ Conitnuando, la manera en la que se agrega un modelo de regularizacion, es a traves de poner una penalizacion
Sería ideal tener un curso avanzado de machine learning
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?