Build your ultimate AI agent
Descripción del curso
Mejora tus habilidades de machine learning con scikit-learn y descubre cómo usar esta popular librería de Python para entrenar modelos con datos etiquetados. En este curso, aprenderás a hacer predicciones potentes, como si un cliente abandonará tu negocio, si una persona tiene diabetes o incluso cómo clasificar el género de una canción. Con conjuntos de datos reales, verás cómo construir modelos predictivos, ajustar sus parámetros y evaluar cómo se comportarán con datos no vistos.Los vídeos incluyen transcripciones en vivo que puedes mostrar haciendo clic en "Show transcript" en la parte inferior izquierda de los vídeos.
El glosario del curso está disponible a la derecha, en la sección de recursos.Para obtener créditos CPE, debes completar el curso y alcanzar una puntuación del 70% en la evaluación cualificada. Puedes ir a la evaluación haciendo clic en el aviso de créditos CPE situado a la derecha.
Requisitos previos
Programa de formación
Contenido del curso
1
Clasificación
En este capítulo conocerás los problemas de clasificación y cómo resolverlos con técnicas de aprendizaje supervisado. Aprenderás a dividir los datos en conjuntos de entrenamiento y prueba, ajustar un modelo, hacer predicciones y evaluar la exactitud. Descubrirás la relación entre la complejidad del modelo y su rendimiento, y aplicarás lo aprendido a un conjunto de datos de churn, donde clasificarás el estado de abandono de los clientes de una empresa de telecomunicaciones.
- Machine learning con scikit-learn50 XP
- Clasificación binaria50 XP
- El flujo de trabajo del aprendizaje supervisado100 XP
- El reto de la clasificación50 XP
- Ajustar KNN: k vecinos más cercanos100 XP
- Predecir KNN: k vecinos más cercanos100 XP
- Medir el rendimiento del modelo50 XP
- División entrenamiento/prueba + cálculo de la precisión100 XP
- Sobreajuste e infraajuste100 XP
- Visualizar la complejidad del modelo100 XP
2
Regresión
En este capítulo, te introducirás en la regresión y construirás modelos para predecir ventas usando un conjunto de datos sobre gasto en publicidad. Aprenderás la mecánica de la regresión lineal y métricas de rendimiento habituales como R-cuadrado y el error cuadrático medio de la raíz. Realizarás validación cruzada k-fold y aplicarás regularización a modelos de regresión para reducir el riesgo de sobreajuste.
3
Ajuste fino de tu modelo
Después de entrenar modelos, ahora aprenderás a evaluarlos. En este capítulo, se te presentarán varias métricas junto con una técnica de visualización para analizar el rendimiento de modelos de clasificación con scikit-learn. También aprenderás a optimizar modelos de clasificación y regresión mediante el ajuste de hiperparámetros.
4
Preprocesado y canalizaciones
Aprende a imputar valores faltantes, convertir datos categóricos en valores numéricos, escalar datos, evaluar simultáneamente varios modelos de aprendizaje supervisado y crear canalizaciones para agilizar tu flujo de trabajo.
Aprendizaje supervisado con scikit-learn
Curso
completado
