Validar su modelo y predecir el futuro

Clase 19 de 30 • Curso de Big Data y Ciencia de Datos 2016

Osmandi Gomez

student•

Una vez definido la ecuación de nuestro modelo matemático que más se adapte a nuestros datos, debemos validarlo con datos ajenos a los utilizados para obtener dos cosas:

1.- Detectar la efectividad de nuestro modelo matemático llevándolo a las distintas expresiones de error.

2.- Determinar el rango de aplicación de nuestro modelo matemático, es decir, hasta qué rango de datos es útil el modelo.

Edwin Rivera

student•

Donde y cuando se menciona el ejemplo del medicamento?, cosas asi hace confuso el contenido

Nestor Antonio Pineda Otero

student•

Aún más !!!

rusbel bermúdez rivera

student•

En este punto es importante pasarse por el curso de introducción a machine learning, existe el overfitting y underfitting dos conceptos clave para entender los errores.

Efren Bautista L.

student•

Se recomienda el principio de pareto para estos casos, 80% para entrenar y 20% para testear. Saludos

Cristian Orozco Benjumea

student•

Para la construcción de nuestro modelo matemático es necesario considerar las variables que inciden en el output, y su correlación directa o indirecta.

Leidy Andrea Ruiz Rodriguez

student•

Para usar el modelo de predicción, se debe dividir el set de datos:

entrenamiento 70% de los datos.
validacion 30% datos.

Validar su modelo y predecir el futuro

Bienvenidos

Aprende sobre Big Data y Ciencia de Datos con los cursos actualizados

Bienvenido al curso

¿Qué es un Data Scientist?

Ejemplos de uso de Data Science

Cómo funciona una búsqueda de Google y el Algoritmo de Spotify

Retos de un data scientist

¿Porqué surge Data Science ahora y no antes?

¿En cuáles campos trabajan Data Scientists?

¿Cuáles habilidades y herramientas usamos?

Workflow de un Data Scientist

Introducción a Python

Guía de Jupyter

Configurando un NoteBook

Continuando con nuestro ejemplo

Flujo de trabajo de un Data Scientist

Workflow Típico de un Data Scientist

Recolectar datos, limpiar datos dormir con sus datos

Modelos de datos

Construir un modelo

Validar su modelo y predecir el futuro

Comunicar los resultados

Algebra Lineal para Data Science

Básicos de Probabilidad

Automatización en Data Science

Hacer que las máquinas hagan todo

Objetos del mundo real en el espacio vectorial y métricas de distancia

Ejemplo de espacio vectorial y métricas de distancia

Conclusiones

Cómo ser un data Scientist

Cierre del curso

Desafío 01

Desafío 02

Contenido complementario

¿Qué es big data y cuál es su papel en datascience?