Siguientes pasos en modelos de inteligencia artificial

Curso de Regresión Lineal con Python y scikit-learn

Contenido del curso

Introducción al curso

Cómo funciona la regresión lineal

Regresión lineal multivariable

Proyecto práctico

Pasos siguientes

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:002:11

Siguientes pasos en modelos de inteligencia artificial

Curso de Regresión Lineal con Python y scikit-learn

Clase 17 de 18

Clase 17 / 18

Comentarios (31)31 comentarios

FELIX DAVID CORDOVA GARCIA

Hace 5 años

Excelente curso, deberías hacer mas cursos de ML con este profe, de regresiones logísticas, aprendizaje no supervisado o cosas mas profundas de ML

Eduardo Carrillo

Hace 5 años

Excelente contenido y excelente profe

Héctor Daniel González Vargas

Hace 4 años

Gran curso, muchas gracias!!!! Concuerdo con la opinión de los demás, sería interesante tener cursos avanzados de machine learning donde se lleven a cabo proyectos complejos.

Jorge Olmus

Hace 4 años

Una vez explicados los códigos y la manera de relacionar variables , etc, el proyecto debería detenerse un poco en analizar el caso y sacar conclusiones prácticas sobre el dataset, esto a manera de hacer el proyecto mucho más práctico.

Luis Arces Palomino Blas

Hace 4 años

Excelente curso y excelente profe.

Ronald Barzola

Hace 10 meses

Actualizar los links a cursos sugeridos. Parece que ya cambió las URL (:

Jorge Andres Avendano Carabali

Hace 3 años

solving test

Resumen 1. ¿Geométricamente cómo se ven los resultados de una regresión lineal de 3 variables? Como un plano 2. ¿Cuál de estos es un método de regularización? Ridge 3. ¿Cuál de los siguientes métodos utilizarías para evaluar con ayuda de una gráfica los resultados de un modelo de regresión lineal? Con una matriz de correlaciones REPASAR CLASE 4. La regresión lineal es exclusivamente un modelo supervisado. Esto es: Verdadero 5. ¿Geométricamente qué quieren decir la w0 y w1 en la ecuación de regresión lineal con dos variables? El corte en X = 0 y el cambio en Y dado el cambio de 1 en X 6. ¿Para qué sirve sns.pairplot()? Para ver las correlaciones que existen entre todas las posibles variables numéricas a través de un gráfico de dispersión 7. Para optimizar un modelo es necesario solo tener una función de pérdida. Esto es: Falso 8. ¿Qué hace el one-hot encoding?

Crea una columna con cada uno de los atributos de una variable categórica, donde los valores son 1 si esa fila tiene el valor de dicho atributo. 9. ¿Cuál es el nombre formal de el método de evaluación llamada R^2? Coefficiente de determinación 10. ¿Qué método se utiliza para verificar si un modelo se ajusta de la mejor manera a los datos? Método de mínimos cuadrados 11. Una manera de intentar mejorar el modelo es aplicando funciones a las variables independientes, así como puede ser que se eleven al cuadrado. Esto es: Verdadero 12. Solo es necesario comprobar visualmente nuestras creencias sin justificarlas con un resultado numérico. Esto es: Falso 13. Cuando hablamos de un problema de análisis supervisado, ¿qué problema resuelve un modelo de regresión? Intenta predecir sobre valores numéricos como lo pueden ser los precios de casas en una zona o la estatura de una persona.

Augusto Mas

Hace 4 años

Me gusto que el profesor explica sencillo y es muy didactico. Me gustaria encontrarlo en un curso que sea específico de Random Forest o de Redes Neuronales. Es clave y muy importante el paso a paso en la notebook de Google Colab para ir poniendo en práctica lo que vamos aprendiendo a medida que avanza el curso! Todas los cursos debería tener su parte práctica usando una notebook!!

Emmanuel Maya Molina

Hace 4 meses

¿Cómo elijo mi próximo modelo de IA?

La elección de tu próximo modelo depende completamente del problema que intentes resolver y de la naturaleza de tus datos. Si tu objetivo sigue siendo predecir un valor numérico continuo (como precios o temperaturas), pero la relación entre las variables es más compleja, el siguiente paso natural es explorar la Regresión Polinomial o los Árboles de Decisión.

Por otro lado, si tu problema cambia y ahora necesitas predecir categorías (por ejemplo, si un correo es spam o no, o si un paciente tiene una enfermedad), debes dar el salto a los modelos de clasificación. La Regresión Logística es el punto de partida ideal aquí, ya que comparte fundamentos matemáticos con la regresión lineal pero se adapta para entregar probabilidades.

La regla de oro es avanzar progresivamente: domina primero los modelos estadísticos tradicionales antes de saltar a arquitecturas complejas como el Deep Learning. Esto te dará una base sólida para entender cómo las máquinas aprenden patrones.

Antonio Demarco Bonino

Hace 2 años

Me encantó poder solucionar problemas con regresiones lineales.

Ya se me ocurre cómo poder solucionar temas vinculados a las ciudades inteligentes: tránsito, iluminación, recolección de basura y transporte público. Creo que la IA vino para solucionar esos problemas y más.

Isaac Bryan Ascanoa Roncall

Hace 3 años

Fue un gran curso. En la universidad ni entendia este metodo de regresion. Ahora mas claro me ha quedado. Solo queda practicarlo.

Mario Enrique Bejarano G

Hace 3 años

Muchas gracias Luis Fernando por lo explicado en el curso, me enseñó mucho sobre la regresión lineal.

Natalia Bermudez Calderon

Hace 3 años

Muy buen curso, simplifica conceptos difíciles de forma muy sencilla. 10/10

Julián Cárdenas

Hace 3 años

Excelente curso profesor, ya cada vez estoy más cerca de acabar el curso de Data Scientist <3

Sofia Febres

Hace 3 años

Exelente, sería interesante tener cursos avanzados de machine learning.

Ricardo Cruz

Hace 3 años

Muchas gracias profe. Me ayudo a reforzar unos temas. Nos vemos.!!

Juan R. Vergara M.

Hace 3 años

⭐⭐⭐⭐⭐

Didier Irias

Hace 3 años

Hay 2 links caídos.

Javier Velázquez

Hace 4 años

Buen Profe, gracias!

Diego Jurado

Hace 3 años

Muchas gracias

Jhon Freddy Tavera Blandon

Hace 3 años

**Este curso trajo muchos nuevos retos, es un muy buen curso, el docente explica muy bien gracias Platzi por estos buenos curso, y el perfecto método que dan de aprendizaje **

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

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

Pasos siguientes

¿Qué hay más allá de la linealidad?

Siguientes pasos en modelos de inteligencia artificial

Comparte tu proyecto de regresión lineal y certifícate

Siguientes pasos en modelos de inteligencia artificial

Progreso del curso

Introducción al curso

Cómo funciona la regresión lineal

Regresión lineal multivariable

Proyecto práctico

Pasos siguientes

Recursos

Recursos