Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los modelos de Machine Learning basados en árboles pueden descubrir relaciones no lineales complejas en los datos y suelen dominar las competiciones de Machine Learning. En este curso, usarás el paquete tidymodels para explorar y crear distintos modelos basados en árboles, desde árboles de decisión simples hasta bosques aleatorios complejos. También aprenderás a usar árboles potenciados (boosted trees), una potente técnica de Machine Learning que emplea aprendizaje por conjuntos para construir modelos predictivos de alto rendimiento. A lo largo del curso, trabajarás con datos de salud y de riesgo crediticio para predecir la incidencia de diabetes y la pérdida de clientes.
Requisitos previos
Programa de formación
Contenido del curso
1
Árboles de clasificación
¿Listo para construir un flujo real de Machine Learning? Completa ejercicios paso a paso para aprender a crear árboles de decisión, dividir tus datos y predecir qué pacientes tienen más probabilidad de sufrir diabetes. Por último, crearás métricas de rendimiento para evaluar tus modelos y juzgar tus predicciones.
- ¡Bienvenido al curso!50 XP
- ¿Por qué métodos basados en árboles?100 XP
- Especifica ese árbol100 XP
- Entrena ese modelo100 XP
- Cómo hacer crecer tu árbol50 XP
- División train/test100 XP
- Evitar desequilibrios de clases100 XP
- De cero a experto100 XP
- Predecir y evaluar50 XP
- Haz predicciones100 XP
- Descifra la matriz100 XP
- ¿Estás prediciendo correctamente?100 XP
2
Árboles de regresión y validación cruzada
¿Te apetece algo dulce? Usa un conjunto de datos de valoraciones de chocolate para construir árboles de regresión y evaluar su rendimiento con medidas de error adecuadas. Superarás la incertidumbre estadística de una única división train/test aplicando técnicas “dulces” como la validación cruzada y luego profundizarás aún más dominando el equilibrio sesgo-varianza.
3
Hiperparámetros y modelos de conjunto
Es hora de ponerse serios ajustando tus hiperparámetros e interpretando curvas ROC (receiver operating characteristic). En este capítulo, aprovecharás la sabiduría del conjunto con modelos como bagging o random forests y construirás ensembles que pronostiquen qué clientes de tarjeta de crédito tienen más probabilidad de darse de baja.
4
Árboles potenciados
¿Preparado para la alta gama de los modelos basados en árboles? Aplica gradient boosting para crear conjuntos potentes que superen todo lo que has visto o construido. Aprende a afinarlos y a comparar distintos modelos para elegir un ganador para producción.
R
Machine Learning con modelos basados en árboles en R
Curso
completado
