Científico de machine learning in R

En este curso aprenderás los fundamentos del machine learning sobre la clasificación.

En este curso aprenderás a predecir acontecimientos futuros utilizando regresión lineal, modelos aditivos generalizados, bosques aleatorios y xgboost.

Aprende los principios de la ingeniería de funciones para modelos de machine learning y cómo implementarlas con el marco tidymodels de R.

Este curso ofrece una introducción al agrupamiento y la reducción de dimensionalidad en R desde la perspectiva del machine learning.

Aprovecha los paquetes tidyr y purrr de tidyverse para generar, explorar y evaluar modelos de machine learning.

Aprende a realizar regresiones lineales y logísticas con varias variables explicativas.

Desarrolla una sólida intuición sobre cómo funcionan el clustering jerárquico y k-means, y aprende a aplicarlos para extraer insights de tus datos.

Este curso enseña los conceptos fundamentales del machine learning, como la creación y evaluación de modelos predictivos.

Aprende a optimizar tus flujos de trabajo de machine learning con tidymodels.

Aprende a utilizar modelos basados en árboles y conjuntos para realizar predicciones de clasificación y regresión con tidymodels.

Aprende técnicas de reducción de dimensionalidad en R y domina la selección y extracción de características para tus propios datos y modelos.

Este curso presentará la máquina de vectores de soporte (SVM) utilizando un enfoque intuitivo y visual.

Aprende qué es el análisis bayesiano de datos, cómo funciona y por qué es una herramienta útil en tu caja de herramientas de Ciencia de datos.

Aprende a ajustar los hiperparámetros de tu modelo para obtener los mejores resultados predictivos.

Aprende a aprovechar los métodos de estimación bayesiana para hacer mejores inferencias sobre los modelos de regresión lineal.

Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.

Aprende a realizar análisis de big data con Spark y el paquete sparklyr en R, y explora Spark MLIb en solo 4 horas.