Clasificación Binaria

Clase 11 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

Alberto Perdomo

student•

Como aporte, algunos ingenieros de datos recomiendan no eliminar las columnas con un alto valor de datos Nan sino imputar su argumento con el valor None. Esto para no eliminar caracteristicas y darles luego un Label Encoding. Esto es recomendable sobre todo si el dataset de prueba también contiene información nula.

Ahora si los valores nulos solo se encuetran en el dataset de training y no su alcance no afecta para nada el problema, ahí sí se recomienda eliminar la caracteristica.

Estas recomendaciones fueron un sumario de las presentadas por:

Julien Cohen-Solal de su notebook A study on Regression applied to the Ames dataset, link: https://www.kaggle.com/juliencs/a-study-on-regression-applied-to-the-ames-dataset
Alexandru Papiu de su notebook Regularized Linear Models, link: https://www.kaggle.com/apapiu/regularized-linear-models

Sergio Rubiano

student•

Si, en la fase de feature Engineer lo que se debe hacer seria agregar una nueva columna donde se obtendría valores de 0 y 1 si se cumple o no con respecto a la información que deseamos.

Alberto Perdomo

student•

Sergio esa técnica que describes es muy util y se conoce como one-hot encoding, no obstante yo estoy hablando de label encoding, que aunque similar no es lo mismo. La diferencia fundamental radica en que en vez de darle valores entre 0 y 1 a cada valor de la tabla, como asertivamente lo describes, en esta se la asigna un valor numerico ascendente que inicia desde 0. Tiene sus restricciones el uso de esta técnica pero es muy util.

Ahora sobre el estandar de cuando usar una u otra técnica depende de la naturaleza del problema, de la relación que las variables tengan entre si y de la relación que estas tengan con el target o los target.

Un notebook ademas delos que descibí arriba que me parece un abrebocas magnifico al analisis descriptivo de datos es este de un Phd llamado Pedro Marcelino, super recomendado:

https://www.kaggle.com/pmarcelino/comprehensive-data-exploration-with-python

johan Stever Rodriguez Molina

student•

hay una manera mas genial de conectar su drive con su colab. de modo que cargan los archivos directamente desde su drive, usando:

from google.colab import drive
drive.mount('/content/drive')

# para cambiar su directorio a donde tienen sus files
%cd '/content/drive/My Drive/Colab Notebooks

les recomiendo investigar mas al respecto para ver como se crean carpertas y archivos en su drive desde collab. es muy cool

Matias Alexander Ibarra Trujillo

student•

activity.drop(columns= activity.iloc[:, 4:13], inplace=True) otra forma de elimnar las columnas usando iloc de pandas

SANTIAGO GOMEZ ZAPATA

student•

Gracias por la info bro...

Brayan Leonardo Velasquez Gutierrez

student•

Para cargar el dataset me funciono de la siguiente manera:

Me registre en Kaggle (En un paso debes colocar tu numero de telefono) y descargue los archivos
En el colab del ejercicio, ejecute estas lineas de codigo y segui los pasos

from google.colab import drive
drive.mount('/content/drive')

Ejecutando el codigo anterior, te integra el Drive a colab desde donde puedes visualizar los archivos que tienes en el Drive
Subes el archivo a tu Drive y va aparecer en el icono de la carpeta que esta a la izquierda de tu colab y alli le das click derecho encima del archivo donde te sale una opcion que dice "Copiar la ruta de acceso"
Vas al colab y colocas el siguiente codigo:

people = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/Redes Neuranales con Keras y Scikit-learn/people.csv' # Esta ruta la reemplazas por la que copiaste)
people.head(3)

Y listo :D

Arturo Baduna

student•

alguien sabe donde esta el data set?

Erik Elyager

student•

Los datos ya vienen en el Colab que se comparte con la clase aquí.

Jaime Arturo Blanco Gutiérrez

student•

Puedes descargarlos directamente desde: https://www.kaggle.com/c/predicting-red-hat-business-value/data

Christian Sanclemente

student•

No puedo decargar el dataset

Luis Eduardo Chacón Wilches

student•

https://www.kaggle.com/c/predicting-red-hat-business-value/data?select=act_train.csv.zip[](https://www.kaggle.com/c/predicting-red-hat-business-value/data?select=act_train.csv.zip)

Arturo Baduna

student•

No encontro el data sets

Sergio Argel

student•

https://www.kaggle.com/c/predicting-red-hat-business-value/data?select=act_train.csv.zip en este enlace los encontrarás. Debes registrarte o acceder con alguna otra cuenta, además te solicitará verificar identidad, por lo que te pedirá un número de teléfono para que te envíen un código de activación.

Arturo Baduna

student•

gracias, cambio un poco el data set, me parece

Clasificación Binaria

Apropiar conceptos fundamentales de las redes neuronales

¿Qué es una red neuronal?

Identificar los principales Frameworks usados en la industria para el desarrollo de Deep Learning

Frameworks de Deep Learning

Comprender los modelos de representación de las redes neuronales artificiales usados en Deep Learning

Estructura de redes neuronales

Creando nuestra primer red neuronal

Entrenando nuestra primera red neuronal

Visualizando el proceso de entrenamiento

Funciones de activación

Funciones de costo o pérdidas

Inicialización y Entrenamiento de RN

Optimizadores en redes neuronales

Clasificación Binaria

Clasificación de potenciales clientes

Análisis de resultados

Métricas de desempeño: regresión y clasificación

Evaluando métricas de desempeño

Ajuste de redes neuronales: overfitting y regularización

Regularización

Ajuste de redes neuronales: Hiper parámetros

Crear un modelo de regresión a partir de un caso de uso real

Introducción a las regresiones con Deep Learning: Planteamiento del problema

Solución del problema de regresión

Ajustes finales al proyecto

Cierre del curso

Cierre del curso