Build your ultimate AI agent
Descripción del curso
Prepárate para tu entrevista sobre machine learning
¿Te has preguntado alguna vez cómo prepararte adecuadamente para una entrevista sobre machine learning? En este curso, prepararás respuestas para 15 preguntas frecuentes sobre machine learning (ML) en Python para un puesto de científico de datos.Estas preguntas girarán en torno a siete temas importantes: preprocesamiento de datos, visualización de datos, aprendizaje supervisado, aprendizaje no supervisado, ensamblaje de modelos, selección de modelos y evaluación de modelos.
Actualiza tus conocimientos sobre machine learning
Comenzarás trabajando en cuestiones relacionadas con el preprocesamiento y la visualización de datos. Después de realizar todos los pasos de preprocesamiento, crearás un modelo predictivo de aprendizaje automático para perfeccionar tus habilidades prácticas.A continuación, se tratarán algunas técnicas de aprendizaje supervisado antes de pasar al aprendizaje no supervisado. Dependiendo del puesto, es probable que en tu entrevista sobre machine learning se traten ambos temas.
Por último, terminarás abordando la selección y evaluación de modelos, analizando cómo evaluar el rendimiento para la generalización de modelos y examinando diversas técnicas a medida que construyes un modelo conjunto.
Respuestas prácticas a las preguntas más comunes en entrevistas sobre machine learning
Al finalizar el curso, tendrás los conocimientos teóricos necesarios y la capacidad para desarrollar código Python que te permita responder correctamente a estas 15 preguntas.Los ejemplos de código se basarán principalmente en el paquete scikit-learn, dada su facilidad de uso y su capacidad para abarcar las técnicas de machine learning más importantes en el lenguaje Python.
El curso no enseña los fundamentos del machine learning, ya que estos se tratan en los requisitos previos del curso.
Requisitos previos
Programa de formación
Contenido del curso
1
Preprocesamiento de datos y visualización
En el primer capítulo del curso, realizarás todos los pasos de preprocesamiento necesarios para crear un modelo predictivo de machine learning, incluyendo cómo tratar los valores ausentes, los valores atípicos y cómo normalizar tu conjunto de datos.
- Tratamiento de datos ausentes50 XP
- A la caza de los valores faltantes100 XP
- Imputación simple100 XP
- Imputación iterativa100 XP
- Distribuciones de datos y transformaciones50 XP
- Distribuciones y transformaciones en los conjuntos de entrenamiento y prueba50 XP
- Distribuciones de train/test100 XP
- Transformaciones logarítmicas y de potencia100 XP
- Valores atípicos y escalado de datos50 XP
- Detección de valores atípicos100 XP
- Tratamiento de valores atípicos100 XP
- Estandarización con Z-score100 XP
2
Aprendizaje supervisado
En el segundo capítulo del curso, practicarás varios aspectos de técnicas de aprendizaje supervisado, como la selección del subconjunto óptimo de características, la regularización para evitar el sobreajuste del modelo, la ingeniería de características y los modelos en ensamblado para abordar el conocido compromiso entre sesgo y varianza.
3
Aprendizaje no supervisado
En el tercer capítulo del curso, usarás aprendizaje no supervisado para aplicar técnicas de extracción de características y visualización para la reducción de dimensionalidad, y métodos de clustering para seleccionar no solo un algoritmo de clustering adecuado, sino también el número óptimo de clústeres para un conjunto de datos.
4
Selección y evaluación de modelos
En el cuarto y último capítulo del curso, subirás el nivel y aplicarás bootstrapping y validación cruzada para evaluar el rendimiento de la generalización del modelo, técnicas de remuestreo para clases desbalanceadas, detectar y eliminar multicolinealidad, y construir un modelo en ensamblado.
Practicing Machine Learning Interview Questions in Python
Curso
completado
