Siguientes pasos en modelos de inteligencia artificial
Contenido del curso
Cómo funciona la regresión lineal
Regresión lineal multivariable
Proyecto práctico
Pasos siguientes
Siguientes pasos en modelos de inteligencia artificial
Contenido del curso
Siguientes pasos en modelos de inteligencia artificial
FELIX DAVID CORDOVA GARCIA
Estudiante
Eduardo Carrillo
Estudiante
Héctor Daniel González Vargas
Estudiante
Jorge Olmus
Estudiante
Luis Arces Palomino Blas
Estudiante
Ronald Barzola
Estudiante
Jorge Andres Avendano Carabali
Estudiante
Augusto Mas
Estudiante
Emmanuel Maya Molina
Estudiante
Antonio Demarco Bonino
Estudiante
Isaac Bryan Ascanoa Roncall
Estudiante
Mario Enrique Bejarano G
EstudianteNatalia Bermudez Calderon
Estudiante
Julián Cárdenas
EstudianteSofia Febres
Estudiante
Ricardo Cruz
Estudiante
Juan R. Vergara M.
Estudiante
Didier Irias
Estudiante
Javier Velázquez
Estudiante
Diego Jurado
Estudiante
Jhon Freddy Tavera Blandon
EstudianteExcelente curso, deberías hacer mas cursos de ML con este profe, de regresiones logísticas, aprendizaje no supervisado o cosas mas profundas de ML
Excelente contenido y excelente profe
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.
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.
Excelente curso y excelente profe.
Actualizar los links a cursos sugeridos. Parece que ya cambió las URL (:
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.
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!!
¿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.
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.
Fue un gran curso. En la universidad ni entendia este metodo de regresion. Ahora mas claro me ha quedado. Solo queda practicarlo.
Muchas gracias Luis Fernando por lo explicado en el curso, me enseñó mucho sobre la regresión lineal.
Muy buen curso, simplifica conceptos difíciles de forma muy sencilla. 10/10
Excelente curso profesor, ya cada vez estoy más cerca de acabar el curso de Data Scientist <3
Exelente, sería interesante tener cursos avanzados de machine learning.
Muchas gracias profe. Me ayudo a reforzar unos temas. Nos vemos.!!
⭐⭐⭐⭐⭐
Hay 2 links caídos.
Buen Profe, gracias!
Muchas gracias
**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 **