Aprendizaje supervisado con scikit-learn
Aumenta tus habilidades de aprendizaje automático con scikit-learn en Python.
Comience El Curso Gratis4 Horas15 Videos49 Ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
Desarrolla tus habilidades de aprendizaje automático con scikit-learn y descubre cómo utilizar esta popular biblioteca de Python para entrenar modelos utilizando datos etiquetados. En este curso, aprenderás a hacer predicciones poderosas, como si un cliente se dará de baja, si una persona tiene diabetes e incluso cómo clasificar el género de una canción. Utilizando sets de datos reales, descubrirás cómo construir modelos predictivos, afinar sus parámetros y determinar su rendimiento con datos nuevos.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos del machine learning con Python
Ir a la pistaCientífico de Machine Learning con Python
Ir a la pista- 1
Clasificación
GratuitoEn este capítulo, veremos problemas de clasificación y aprenderás a resolverlos mediante técnicas de aprendizaje supervisado. Aprenderás cómo dividir los datos en sets de entrenamiento y prueba, entrenar un modelo, hacer predicciones y evaluar la precisión. Descubrirás la relación entre la complejidad del modelo y el rendimiento, aplicando lo aprendido a un sets de datos de perdida de clientes, en el que clasificarás el estado de rotación de clientes de una empresa de telecomunicaciones.
Aprendizaje automático con scikit-learn50 xpClasificación binaria50 xpEl flujo de trabajo del aprendizaje supervisado100 xpEl desafío de la clasificación50 xpk-Nearest Neighbors: Fit100 xpk-Nearest Neighbors: Predict100 xpMedición del rendimiento del modelo50 xpDivisión en entrenamiento/prueba + precisión100 xpSobreajuste e infraajuste100 xpVisualizando la complejidad del modelo100 xp - 2
Regresión
En este capítulo, te presentaremos la regresión y construirás modelos para predecir los montos de venta utilizando un set de datos sobre gastos publicitarios. Aprenderás la mecánica de la regresión lineal y las métricas de desempeño más comunes, como R-cuadrada y error cuadrático medio. Realizarás validación cruzada k-fold, y aplicarás regularización a los modelos de regresión para reducir el riesgo de sobreajuste.
Introducción a la regresión50 xpCreando atributos100 xpConstruyendo un modelo de regresión lineal100 xpVisualizando un modelo de regresión lineal100 xpConceptos básicos de la regresión lineal50 xpEntrenar y predecir para la regresión100 xpDesempeño de la regresión100 xpValidación cruzada50 xpValidación cruzada para R-cuadrada100 xpAnalizando las métricas de validación cruzada100 xpRegresión regularizada50 xpRegresión regularizada: Ridge100 xpRegresión Lasso para la importancia de los atributos100 xp - 3
Ajuste fino de tu modelo
Habiendo entrenado los modelos, ahora aprenderás a evaluarlos. En este capítulo, se presentarán varias métricas junto con una técnica de visualización para analizar el rendimiento del modelo de clasificación mediante scikit-learn. También aprenderás a optimizar los modelos de clasificación y regresión mediante el uso del ajuste de hiperparámetros.
¿Qué tan bueno es tu modelo?50 xpEscogiendo una métrica principal50 xpEvaluación de un clasificador de predicción de la diabetes100 xpRegresión logística y la curva ROC50 xpCreando un modelo de regresión logística100 xpLa curva ROC100 xpROC AUC100 xpAjuste de hiperparámetros50 xpAjuste de hiperparámetros con GridSearchCV100 xpAjuste de hiperparámetros con RandomizedSearchCV100 xp - 4
Preprocesamiento y Pipelines
Aprende cómo imputar valores faltantes, convertir datos categóricos a valores numéricos, escalar datos, evaluar múltiples modelos de aprendizaje supervisado simultáneamente y construir pipelines para agilizar tu flujo de trabajo.
Preprocesamiento de datos50 xpCreando variables ficticias100 xpRegresión con atributos categóricos100 xpManejo de datos faltantes50 xpEliminando datos faltantes100 xpPipeline para la predicción del género: I100 xpPipeline para la predicción del género: II100 xpCentrado y escalado50 xpCentrado y escalado para la regresión100 xpCentrado y escalado para la clasificación100 xpEvaluando múltiples modelos50 xpVisualizando el desempeño del modelo de regresión100 xpPredicción con el set de prueba100 xpVisualizando el desempeño del modelo de clasificación100 xpPipeline para predecir la popularidad de la canción100 xp¡Felicidades!50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos del machine learning con Python
Ir a la pistaCientífico de Machine Learning con Python
Ir a la pistaEn otras pistas
Aprendizaje automático supervisado en PythonColaboradores
Requisitos Previos
Introduction to Statistics in PythonGeorge Boorman
Ver MasCurriculum Manager, DataCamp
¿Qué tienen que decir otros alumnos?
¡Únete a 13 millones de estudiantes y empieza Aprendizaje supervisado con scikit-learn hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.