Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Kaggle es la plataforma más conocida para competiciones de Data Science. Participar en ellas te permite trabajar con conjuntos de datos reales, explorar distintos problemas de Machine Learning, competir con otras personas y, en definitiva, ganar una valiosa experiencia práctica. En este curso, aprenderás a abordar y estructurar cualquier competición de Data Science. Podrás elegir un buen esquema de validación local y evitar el sobreajuste. Además, dominarás técnicas avanzadas de ingeniería de características junto con enfoques de ensamblado de modelos. Pondrás en práctica todas estas técnicas con conjuntos de datos de competiciones de Kaggle.
Requisitos previos
Programa de formación
Esquema del curso
1
Proceso de las competiciones de Kaggle
En este primer capítulo, conocerás el proceso de una competición de Kaggle. Entrenarás un modelo y prepararás un archivo CSV listo para el envío. Aprenderás la diferencia entre los subconjuntos de prueba Públicos y Privados y cómo prevenir el sobreajuste.
- Resumen de las competiciones50 XP
- Explora los datos de train100 XP
- Explora los datos de test100 XP
- Prepara tu primer envío50 XP
- Determina el tipo de problema50 XP
- Entrena un modelo sencillo100 XP
- Prepara un envío100 XP
- Tabla de clasificación pública vs. privada50 XP
- ¿Qué modelo está sobreajustando?50 XP
- Entrena modelos de XGBoost100 XP
- Explora el overfitting en XGBoost100 XP
2
Sumérgete en la competición
Ahora que ya conoces lo básico de las competiciones de Kaggle, aprenderás a estudiar el problema específico que tienes entre manos. Practicarás EDA y definirás estrategias correctas de validación local. También aprenderás sobre fuga de datos.
3
Ingeniería de características
Ahora verás distintos tipos de características. Modificarás algunas existentes y crearás otras nuevas. Además, tratarás los datos faltantes de forma adecuada.
4
Modelado
¡Hora de juntarlo todo y construir algunos modelos! En este último capítulo, crearás un modelo base, luego ajustarás hiperparámetros y mejorarás tus resultados con ensamblados. Para terminar, verás algunos consejos y trucos para competir con más eficacia.
Cómo ganar una competición de Kaggle con Python
Curso
completado
