Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Esta introducción de nivel principiante al aprendizaje automático abarca cuatro de los algoritmos de clasificación más comunes. Saldrás con una comprensión básica de cómo cada algoritmo aborda una tarea de aprendizaje, además de aprender las funciones de R necesarias para aplicar estas herramientas a tu propio trabajo.
Requisitos previos
Programa de formación
Contenido del curso
1
k Vecinos más próximos (kNN)
Como el algoritmo kNN literalmente "aprende con el ejemplo", es un buen ejemplo para empezar a entender el aprendizaje automático supervisado. En este capítulo se introduce la clasificación, mientras se trabaja en la aplicación de kNN al reconocimiento de señales de tráfico de vehículos autoconducidos.
- Clasificación con vecinos cercanos50 XP
- Reconocer una señal de tráfico con kNN100 XP
- Pensar como kNN50 XP
- Explorar el conjunto de datos de señales de tráfico100 XP
- Clasificar una colección de señales de tráfico100 XP
- ¿Y la "k" de kNN?50 XP
- Comprender el impacto de la "k50 XP
- Probar otros valores "k100 XP
- Ver cómo votaron los vecinos100 XP
- Preparación de datos para kNN50 XP
- ¿Por qué normalizar los datos?50 XP
2
Bayes ingenuos
Naive Bayes utiliza principios del campo de la estadística para hacer predicciones. En este capítulo se presentarán los fundamentos de los métodos bayesianos y se explorará cómo aplicar estas técnicas a las sugerencias de destinos tipo iPhone.
3
Regresión logística
La regresión logística consiste en ajustar una curva a datos numéricos para hacer predicciones sobre sucesos binarios. Podría decirse que es uno de los métodos de aprendizaje automático más utilizados. En este capítulo se ofrece una visión general de la técnica, a la vez que se ilustra cómo aplicarla a los datos de recaudación de fondos.
4
Árboles de clasificación
Los árboles de clasificación utilizan estructuras similares a diagramas de flujo para tomar decisiones. Como los humanos pueden entender fácilmente estas estructuras de árbol, los árboles de clasificación son útiles cuando se necesita transparencia, como en la aprobación de préstamos. Utilizaremos el conjunto de datos de Lending Club para simular este escenario.
R
Aprendizaje supervisado en R: Clasificación
Curso
completado
