Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
En este curso aprenderás a usar clasificadores lineales, en concreto regresión logística y máquinas de vectores de soporte (SVM), con scikit-learn. Una vez sepas cómo aplicar estos métodos, profundizarás en las ideas que hay detrás y verás qué es lo que realmente los hace funcionar. Al finalizar, sabrás entrenar, evaluar y ajustar estos clasificadores lineales en Python. Además, tendrás una base conceptual para entender muchos otros algoritmos de Machine Learning.
Requisitos previos
Programa de formación
Esquema del curso
1
Aplicar regresión logística y SVM
En este capítulo aprenderás lo básico para aplicar regresión logística y máquinas de vectores de soporte (SVM) a problemas de clasificación. Usarás la biblioteca
scikit-learn para ajustar modelos de clasificación a datos reales.- Repaso de scikit-learn50 XP
- Clasificación con KNN100 XP
- Comparar modelos50 XP
- Sobreajuste50 XP
- Aplicar regresión logística y SVM50 XP
- Ejecutar LogisticRegression y SVC100 XP
- Análisis de sentimiento para reseñas de películas100 XP
- Clasificadores lineales50 XP
- ¿Qué límite de decisión es lineal?50 XP
- Visualizar fronteras de decisión100 XP
2
Funciones de pérdida
En este capítulo descubrirás el marco conceptual que hay detrás de la regresión logística y las SVM. Esto te permitirá profundizar en el funcionamiento interno de estos modelos.
3
Regresión logística
En este capítulo profundizarás en los detalles de la regresión logística. Aprenderás todo sobre la regularización y cómo interpretar la salida del modelo.
4
Máquinas de vectores de soporte
En este capítulo aprenderás en detalle las máquinas de vectores de soporte. Verás cómo ajustar hiperparámetros para estos modelos y usar kernels para ajustar fronteras de decisión no lineales.
Clasificadores lineales en Python
Curso
completado
