Carlos Alarcón
Curso de Regresión Logística con Python y scikit-learn

Opiniones del Curso de Regresión Logística con Python y scikit-learn

Aprende a crear modelos con regresión logística. Conoce cómo funciona el paso a paso para implementar este algoritmo de machine learning para clasificación de datos.

Avatar Daniel de Jesús Martínez Vega

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

Avatar FELIX  DAVID CORDOVA GARCIA

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

Avatar Sebastian López

Sebastian López

@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?

Avatar David Alejandro Garzon Angarita

David Alejandro Garzon Angarita

@dgarcode

Tiene un balance adecuado entre los conceptos teóricos y la práctica. Además, el profesor explica los puntos principales y las aplicaciones del modelo de una forma clara

Avatar Weimar Avendaño Barragán

Weimar Avendaño Barragán

@weimar.avendano

Bastante claridad conceptos regresión.

Avatar Yeison Adolfo Yepes Avendano

Yeison Adolfo Yepes Avendano

@yeaya_ye6285

Excelente y magristral la forma de explicar la parte teórica y la facilidad para aplicarla

Avatar Eduardo Enriquez

Eduardo Enriquez

@edu.e.mendoza

Muy buenos ejemplos con mucho enfoque con respecto al tema

Avatar Alexis Julián Rojas Huamaní

Alexis Julián Rojas Huamaní

@ajrojash

Muy buena teoría.

Avatar Claudio Fernando Abarca Barrera

Claudio Fernando Abarca Barrera

@claudioab

Se trabaja con balanceo de clases, algo que no es común en los ejemplos de algoritmos de clasificación. Todos los contenidos son explicados claramente por el docente.

Avatar Cristobal Ignacio Ramirez Diaz

Cristobal Ignacio Ramirez Diaz

@crd24

muy claro los contenidos

Avatar Sebastian Gaviria

Sebastian Gaviria

@sebasga_79

Muy buen curso, muy práctico y muy bien explicado.

Avatar Ruben Dario Troche Piñanez

Ruben Dario Troche Piñanez

@dtf.ruben.troche

Impresionante el curso, me encantó la didáctica del profesor, los temas tratados estuvieron muy interesantes. Gracias Totales Profesor y Platzi por agregarme valor.

Avatar Rafael Rivera

Rafael Rivera

@rafarivera75

Excelente curso, el profe explica super bien, y los ejemplos son muy ilustrativos.

Avatar Juan Pablo Lagos Idrobo

Juan Pablo Lagos Idrobo

@Juanpalai

El profesor explica muy bien y con ejercisios practicos es divertido aprender

Avatar Miguel Sanchez

Miguel Sanchez

@miguelsanchezrivas

Relativamente facil de entender, un tema que puede ser algo confuso

Avatar Davirson Novoa Ramirez

Davirson Novoa Ramirez

@davinsonnovoaramirez

de los mejores cursos que he tomado, muy bien explicado el codigo aun asi hay que tener buenas bases en python

Avatar Juan camilo truillo galvis

Juan camilo truillo galvis

@juank-black

me encanto aprender sobre la regresion logistica y su gran uso como algoritmo de clasificacion y aprender sobre la la regresion logistica multinomial

Avatar David Gabriel Luna Pérez

David Gabriel Luna Pérez

@xeurop343

Muy buen curso

Avatar Juan L

Juan L

@jlezama1

Un muy buen curso de regresión logistica

Avatar Nicole Venachi Pizo

Nicole Venachi Pizo

@nicolevenachi

Excelente curso, muy claro, muy consciso, los conceptos son expresados de una manera muy correcta y fácil de entender para los estudiantes. El profesor, como en todos sus cursos, me parece que da un muy buen enfoque.

El contenido del curso es bueno y que incluyan ejemplo de Kaggle es mejor, por lo regular otros cursos o libros utilizan siempre el de dataset de Iris

Avatar Ling Alfonso Sequera Marin

Ling Alfonso Sequera Marin

@lingstein

Buen curso, lo mejor son los ejemplos tipo proyecto sencillo y las técnicas para mejorar el desempeño del modelo