Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Machine learning es el estudio y la aplicación de algoritmos que aprenden de los datos y hacen predicciones. Desde los resultados de búsqueda hasta los coches autónomos, está presente en todas partes y es uno de los campos más apasionantes y de más rápido crecimiento en la ciencia de datos. Este curso te enseña las grandes ideas de machine learning: cómo construir y evaluar modelos predictivos, cómo ajustarlos para lograr el mejor rendimiento, cómo preprocesar datos para obtener mejores resultados y mucho más. A lo largo del curso utilizarás el popular paquete de R caret, que proporciona una interfaz coherente a las herramientas de machine learning más potentes de R.
Requisitos previos
Programa de formación
Contenido del curso
1
Modelos de regresión: ajuste y evaluación de su rendimiento
En el primer capítulo del curso, ajustarás modelos de regresión con
train() y evaluarás su rendimiento fuera de muestra usando validación cruzada y el error cuadrático medio de la raíz (RMSE).- Bienvenido al curso50 XP
- RMSE dentro de la muestra para regresión lineal50 XP
- RMSE dentro de la muestra para regresión lineal en diamonds100 XP
- Medidas de error fuera de muestra50 XP
- RMSE fuera de muestra para la regresión lineal50 XP
- Ordena aleatoriamente el data frame100 XP
- Prueba una partición 80/20100 XP
- Predecir sobre el conjunto de prueba100 XP
- Calcula el RMSE del conjunto de prueba a mano100 XP
- Comparar el RMSE fuera de muestra con el RMSE dentro de muestra50 XP
- Validación cruzada50 XP
- Ventaja de la validación cruzada50 XP
- Validación cruzada de 10 pliegues100 XP
- Validación cruzada de 5 pliegues100 XP
- Validación cruzada 5 x 5-fold100 XP
- Hacer predicciones sobre datos nuevos100 XP
2
Modelos de clasificación: ajuste y evaluación de su rendimiento
En este capítulo, ajustarás modelos de clasificación con
train() y evaluarás su rendimiento fuera de muestra usando validación cruzada y el área bajo la curva (AUC).3
Ajuste de hiperparámetros para mejorar el rendimiento
En este capítulo, usarás la función
train() para ajustar los parámetros del modelo mediante validación cruzada y búsqueda en malla (grid search).4
Preprocesamiento de datos
En este capítulo, practicarás el uso de
train() para preprocesar datos antes de ajustar modelos, mejorando así tu capacidad para hacer predicciones precisas.5
Selección de modelos: un caso práctico de churn
En el capítulo final del curso, aprenderás a usar
resamples() para comparar varios modelos y seleccionar (o ensamblar) el o los mejores.R
Machine Learning con caret en R
Curso
completado
