Cómo definir un problema de Machine Learning2Importancia de definir el problema en Machine Learning06:03 min3Predecir el ingreso de películas de IMDB03:51 min4Terminología de Machine Learning02:13 min5Materiales del curso: Notebooks de Jupyter00:19 min
Montar un ambiente de trabajo Pydata7Configuración del ambiente de trabajo con Google Collab03:00 min8Qué es y cómo se utiliza Numpy08:41 min9Arrays en NumpyViendo ahora10Operaciones aritméticas en Numpy09:38 min
Preparación de los datos11Cargar los datos necesarios para el proyecto10:10 min12Inspección de los tipos de datos10:48 min13Inspección cuantitativa y de salud de los datos10:10 min14Limpiar los datos07:27 min15Manejo de datos faltantes16:25 min
Modelación y evaluación16El objeto estimador de Scikit-Learn07:47 min17Implementar un modelo de regresión (Lasso)07:51 min18Ajustando Modelos de Machine Learning, Underfitting y Overfitting06:49 min19Evaluando el modelo11:54 min
Feature Engineering20Feedback del modelamiento11:36 min21Análisis exploratorio16:19 min22Continuando con el análisis exploratorio11:27 min23Creación de features14:24 min24Creando más features13:20 min25Selección de features y la maldición de la dimensionalidad06:30 min
Modelos y Evaluación más avanzada26Cross Validation 10:28 min27Selección de modelos14:08 min28Curvas de aprendizaje08:19 min29Introducción a Ensembles y Árboles de Decisión09:15 min30Random Forest y Gradient Boosting Trees10:21 min31Optimización de hiperparámetros17:02 min32Conclusiones del curso04:08 min
