Temario y recursos del Curso Profesional de Machine Learning con Scikit-Learn
Temario del Curso Profesional de Machine Learning con Scikit-Learn
Aprender los conceptos clave
- Visión general del curso
- ¿Cómo aprenden las máquinas?
- Problemas que podemos resolver con Scikit-learn
- Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
- Configuración de nuestro entorno Python
- Instalación de librerías en Python
- Datasets que usaremos en el curso
Optimización de features
- ¿Cómo afectan nuestros features a los modelos de Machine Learning?
- Introducción al PCA
- Preparación de datos para PCA e IPCA
- Implementación del algoritmo PCA e IPCA
- Kernels y KPCA
- ¿Qué es la regularización y cómo aplicarla?
- Implementación de Lasso y Ridge
- Explicación resultado de la implementación
- ElasticNet: Una técnica intermedia
Regresiones robustas
- El problema de los valores atípicos
- Regresiones Robustas en Scikit-learn
- Preparación de datos para la regresión robusta
- Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
- ¿Qué son los métodos de ensamble?
- Preparación de datos para implementar métodos de ensamble
- Implementación de Bagging
- Implementación de Boosting
Para este curso vas a necesitar
4 Horas de contenido
16 Horas de práctica

Proyecto del curso
Implementación de regresión robustaUsando el dataset del índice de felicidad aprenderás a limpiar y transformar datos atípicos para procesarlos por medio de un regresión robusta.
Para este curso vas a necesitar
4 Horas de contenido
16 Horas de práctica

Proyecto del curso
Implementación de regresión robustaUsando el dataset del índice de felicidad aprenderás a limpiar y transformar datos atípicos para procesarlos por medio de un regresión robusta.
Aprender los conceptos clave
- Visión general del curso
- ¿Cómo aprenden las máquinas?
- Problemas que podemos resolver con Scikit-learn
- Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
- Configuración de nuestro entorno Python
- Instalación de librerías en Python
- Datasets que usaremos en el curso
Optimización de features
- ¿Cómo afectan nuestros features a los modelos de Machine Learning?
- Introducción al PCA
- Preparación de datos para PCA e IPCA
- Implementación del algoritmo PCA e IPCA
- Kernels y KPCA
- ¿Qué es la regularización y cómo aplicarla?
- Implementación de Lasso y Ridge
- Explicación resultado de la implementación
- ElasticNet: Una técnica intermedia
Regresiones robustas
- El problema de los valores atípicos
- Regresiones Robustas en Scikit-learn
- Preparación de datos para la regresión robusta
- Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
- ¿Qué son los métodos de ensamble?
- Preparación de datos para implementar métodos de ensamble
- Implementación de Bagging
- Implementación de Boosting