Nivel Básico
18 clases
2 horas de contenido
8 horas de práctica
Implementa la regresión logística con Python y scikit-learn. Aprende a clasificar datos complejos con algoritmos supervisados y a evaluar el rendimiento de modelos. Ideal para mejorar habilidades en análisis de datos y machine learning.
Clases del curso
Regresión logística binomial
Regresión logística multinomial
Conclusiones
Profes del curso
Conoce quién enseña el curso
Proyecto del curso
Clasificadores de datos con regresión logística
Aplica regresión logística para crear 3 clasificadores de datos: un clasificador binomial para identificar si un cliente dejará de comprar, un clasificador multinomial para detectar la especie de frijoles, y un proyecto final de clasificador binomial para detección de cáncer.
software y recursos necesarios
- Jupyter Notebook, Google Colab, Deepnote, etc.
Opiniones del curso
4.8 · 163 opiniones
Daniel de Jesús Martínez Vega
@daniel.j4mv722·
Un curso muy necesario para la ruta de machine learning, a pesar de que ya había terminado la ruta, aprendí cosas nuevas no solo del tema como tal, sino también nuevas estrategias para mejorar mis modelos
FELIX DAVID CORDOVA GARCIA
@felix.david.cordova.garcia·
Curso fantástica,100% recomendado así uno ya sepa ML, de todas formas se pueden aprender algo nuevo
Jose Fabricio Rodriguez Sanchez
@jf-02·
excelente curso, seria genial realizar mas casos de uso para interpretar y aplicar todos los conceptos vistos, siento que hay aún temas por abordar
@lube_23022786·
Es un curso muy completo sobre Regresión Logística
Oscar Alfonzo Medrano Yilalys
@oscaralfonzomedranoyilalys·
Excelente curso. Cubre desde los fundamentos del algoritmo y la preparación de datos, hasta la implementación práctica en Python con scikit-learn para clasificación binaria y multiclase. Además, aborda temas avanzados como la regularización (L1 y L2) para evitar el overfitting y la selección de estrategias para problemas multiclase (One vs Rest). También se explican los métodos para la evaluación del modelo, como el uso de predict_proba y la interpretación del MLE (Maximum Likelihood Estimation).
Oscar David Bocanegra Capeara
@David_Bocanegra·
gran curso para entender como funciona la regresion logistcia y como aplicarla
Alejo Cuello
@alejo-cuello·
Muy interesantes los datasets utilizados
Roger Christian Cansaya Olazabal
@roger-cansaya-olazabal·
Gran Curso
Nicolas Urrego
@nicurrego·
Excelente!
Patricio Sánchez Fernández
@patricio.sanchez.fernandez·
Muy buen curso.
Paola Alapizco
@pahoalapizco·
Gran curso, la explicación y práctica de cada tema son claras, concisas, y directas; lo mejor del curso creo, fue la introducción de temas que en cursos previos se omiten, como el balanceo de datos, evaluación de varios modelos combinando distintos parámetros. Este curso es una Joya <3
Mateo Chaves Vanegas
@mchavezv·
Muy buen curso, el profesor explica muy bien y no deja de lado la aprte matematica que es muy reelvante en este tipo de modelos
@lufrocea·
Excelente
Israel Guevara
@israelguevara·
En este curso pude aprender los conceptos básicos de la regresión logística. Los cuales fueron explicados de forma clara por parte del profesor.
Carlos Enrique Rodríguez Bernal
@cenrique91·
Excelente!
Luis Leandro Leones
@leandroleones·
Excelente curso. Bastante práctica lo que es ideal para practicar y aprender ⭐!
JOSE LUIS HURTADO BALCAZAR
@jlhb1984·
La calidad humana y profesional del profe.
Yael Ramírez
@yaelrmz·
No cabe duda porqué el profesor es el Architect de data en Platzi
Jorge Hernán López
@jhlopezm2·
Excelente profesor!
Mauricio Escobar
@mauricios_01·
Buen curso, con excelentes metodologías para explicar un concepto y luego aplicarlo aun ejemplo. Un punto a mejorar es en profundizar más en la aplicación de datos desbalanceados, se ha visto muy poco, quizás más ejemplos de este tema habrían sido ayuda. Ya que tenemos el modelo entrenado, hizo falta probarlo con datos nuevos (y guardar el modelo). Que si bien lo hice por mi cuenta, habría sido de ayuda hacerlo en clase. Propongo un curso 2.0 que profundice más sobre los temas vistos. Un proyecto de principio a fin donde resolvamos problemas complejos. En lo personal haré esto por mi cuenta, pero no está demás tener la guía del profesor. Gracias. Les regalo un helado 🍦
Martin Javier Gamboa Guzman
@martingg04·
Muy buen profesor, todo muy claro
Jordi Reig Carruana
@Jordilot·
Muy bueno!
@kuen573jn·
Que nos muestren la apllicacion del modelo, y nos den el material (codigo) es de mucha ayuda para entender bien y rapido
Eliseo Baquero
@eliseo.baquero·
Los desafíos a la hora de entender las diferencias con la regresión lineal
Ana Patricia Pérez Ríos
@anapatriciaperezrios·
¡Excelente curso, totalmente didáctico. Gracias!
@rene.fuquene·
Excelente curso de regresión lineal usando python con scikit-learn, gracias.
Sebastian Lopez Acero
@sebastian_lopez·
Excelente profesor, y muy buen curso, me hubiera gustado más ejemplos de la vida real, es decir en un entrono de trabajo, se usan los datos, se hace el proceso... y que sigue despues?
@jav67·
.
Julian Peña Reyes
@julian-pena-reyes·
Excelente curso, muy didactico y bien explicado.
Aaron Chacon Morales
@aaronrgbwilliam·
Bien explicado.
Eleva tu aprendizaje
Este curso es parte de estas rutas de aprendizaje
Ruta
Machine Learning y Matemáticas con Python
27 horas
8 Profes
Aplica machine learning en tus análisis de datos y genera predicciones para tomar decisiones hacia el futuro.
Ruta
Data Scientist con Python
90 horas
16 Profes
Explora el fascinante mundo del Data Science con Python. Cada curso es un paso crucial hacia el análisis de datos y la creación de modelos de machine learning.
Comunidad
La comunidad es nuestro super poder
Contenido adicional creado por la comunidad que nunca para de aprender