Recursos

Resumen

Nombre del curso: Laboratorio de Machine Learning: Optimización de Modelos Dean: Sebastián Delmont Faculty Manager: Ricardo Celis School Director: Carlos Alarcón Profesor: Ricardo Alanis Dirección: Miguel Torres Producción OPS: Lizeth Cáceres y Rocío Martínez Audiovisual Creator: Candela Ocaranza **Edición de video: **Daniel Cadena Postproducción de audio: Jorge Andres Torres Viveros Diseño gráfico: Carol Baquero Coordinación General: Andrés Arizmendy, Daniel Gutiérrez, Carol Baquero, Carlos Céspedes, Sura Cedeño y Sara Hernández. Revisión: Axel Yaguana y Rodrigo Goitia

¿Cómo continuar tu proyecto de machine learning?

Laboratorio de Machine Learning: Optimización de Modelos

Clase 8 / 8

Ver clases

¿Cómo continuar tu proyecto de machine learning?

Laboratorio de Machine Learning: Optimización de Modelos

Clase 8 de 8

Clase 8 / 8

¿Cómo continuar tu proyecto de machine learning?

Laboratorio de Machine Learning: Optimización de Modelos

Clase 8 / 8

Ver clases

Comentarios

FELIX DAVID CORDOVA GARCIA#4409086

Yo creé un app usando el mejor modelo de Machine Learning que estimé con los datos entregados en clase, no utilicé el código que me dieron porque honestamente no me gusto y no lo entendí muy bien, asi que lo hice todo a mi estilo, aquí estan todo lo que cree: https://github.com/DAVID316CORDOVA/Churn_Rate_Project

El análisis de los datos en Jupyter Notebook esta aquí: https://github.com/DAVID316CORDOVA/Churn_Rate_Project/blob/master/Lab-Platzi-Machine%20Learning.ipynb

El modelo puesto en producción lo pueden ver aquí: https://churnrates.azurewebsites.net/

Me tomó 02 días hacerlo todo, se que tengo que mejorar el diseño, así que seguiré practicando más CSS.

Espero les pueda servir de "inspiración" a alguien

Jorge Andres Avendano Carabali#4929864

Resumen 1. ¿Qué es lo primero que debes hacer cuando te entregan un proyecto profesional de un modelo de machine learning? Clonar el proyecto, probarlo y explorar el proceso de cómo funciona y se utiliza. 2. ¿Al obtener acceso a un modelo de machine learning, que debe ser optimizado, es necesario revisar y analizar los datos que se utilizaron para entrenarlo? Sí, porque los datos y como se procesaron son la materia prima. Pueden indicarnos dónde existen áreas de mejora. Mejores datos llevan a mejores modelos. 3. ¿Por qué es importante la estructura de archivos de un proyecto profesional de data science? Marca una organización entendible para que más personas entiendan dónde se encuentran notebooks, datasets y otros archivos para que sea sencillo de utilizar. 4. ¿Por qué es necesario probar el funcionamiento y estructura de un proyecto de machine learning antes de proponer cambios? Ayuda a entender cómo se carga y procesa la información y como se evalúa y utiliza el modelo para ver su desempeño. Esto da visibilidad de mejoras al seguir el proceso paso a paso. 5. ¿Qué puede ocurrir cuando un modelo se entrena directamente con los parámetros disponibles sin crear combinaciones o eliminar algunos? Podemos crear redundancia en la información y generar overfitting y sesgos en el modelo. 6. ¿Siempre es necesario cambiar de algoritmo de machine learning para mejorar los resultados de un problema? No, es necesario que evalúes las diferentes opciones y los beneficios que se pueden tener. Por ejemplo, hay algoritmos con menor tendencia al overfitting. Pero siempre la primera opción debería ser proponer mejorar los datos. 7. ¿Qué otros algoritmos de machine learning podrían usarse para el problema de churn de FINNTEK CORP? SVM, KNN, árboles de decisión. 8. ¿Cómo se puede determinar qué enriquecer en datos de un proyecto de machine learning? Revisar las columnas del dataset teniendo conocimiento/contexto del negocio y sus datos. Se recomienda ampliamente hacerlo con personas que sean expertas en cómo funciona el negocio. Ver menos

Comentarios