Una de las mejores explicaciones de degradiente con la parte matematica
Fundamentos de regresión logística
¿Qué es la regresión logística?
Tu primera clasificación con regresión logística
¿Cuándo usar regresión logística?
Fórmula de regresión logística
Regresión logística binomial
Preparando los datos
Análisis de correlación y escalabilidad de los datos
Análisis exploratorio de datos
Entrenamiento con regresión logística binomial
Evaluando el modelo (MLE)
Análisis de resultados de regresión logística
Regularizers
Regresión logística multinomial
Cómo funciona la regresión logística multiclase
Carga y preprocesamiento de datos multiclase
Análisis exploratorio y escalamiento de datos multiclase
Entrenamiento y evaluación de regresión logística multiclase
Conclusiones
Proyecto final y siguientes pasos
Comparte tu proyecto de regresión logística 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:
18 Días
12 Hrs
37 Min
26 Seg
Evaluando el modelo (MLE)
9/17Recursos
Aportes 13
Preguntas 2
Ordenar por:
Muy buena explicación
Este es de los cursos que he tomado el que menos comentarios tiene, pero a su vez está siendo de mis favoritos por el reto que representa para mí 😎
Habia escuchado de "disminuir" el gradiente. No me habia quedado tan claro hasta ahora. Muchas gracias profe.
Disminuir la función de costo se refiere al proceso de optimización en modelos de machine learning, como la regresión logística. La función de costo mide la diferencia entre las predicciones del modelo y los resultados reales. Al disminuir ese costo, el modelo mejora sus predicciones. Esto se logra mediante técnicas como el descenso del gradiente, que ajusta los parámetros del modelo iterativamente para encontrar la configuración que minimiza el error. Esto es esencial para lograr un rendimiento óptimo en la clasificación de datos.
No se preocupen tanto por la teoría, entiendan cuales son los valores que necesitan para que sea un modelo optimo. Después de un poco de práctica y de a poco viendo explicaciones se entienden, además aprovechen a chat gpt o pilot, para preguntarles el resultado a mi siempre me ayuda a entender por que los numeros pero no se estresen tanto en la práctica es ver que tan útil es el modelo y se van a ir aprendiendo que numeros son positivos
### En otras palabras:
* **Cost Function**: Mide cuán lejos está el modelo de la realidad (cuán mal o bien predice). Ejemplo de uso: predicción de abandono de clientes (churn).
* **Gradient Descent**: El proceso de ajuste de los parámetros del modelo para reducir la función de costo. Ejemplo de uso: entrenamiento de redes neuronales.
Perdón por el comentario off topic, pero qué buena playera/remera! ¿Dónde la compraste profe? :O
Todo me da vuelta, T.T, no entendí nada
no sobra hacer un repaso a las clases de cálculo diferencial y el manejo de las derivadas.
Es interesante la evaluacion del modelo MLE. Para el desarrollo de un deep learning.
En el minuto 1:40 habla de que en ML buscamos disminuir la función de costo y por eso usamos algoritmos como el descenso del gradiente pero en el minuto 2:20 dice que el descenso del gradiente busca optimizar la función de costo....
No entendí muy bien la parte de las matemáticas, complemente por otras rutas, pero igual siento cierta duda…
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?