Tutoriales de Ciencia de Datos

Personaliza el modelo GPT-4o Mini para clasificar las publicaciones de Reddit en etiquetas "estresantes" y "no estresantes".

Llama Stack es un conjunto de herramientas y API estandarizadas desarrolladas por Meta que simplifican el proceso de creación y despliegue de grandes aplicaciones de modelos lingüísticos.

Python dlt es una gran elección para los ingenieros de datos que quieren mover datos con rapidez y confianza. Se integra con casi cualquier fuente y destino y te permite escribir rápidamente tus pipelines ELT/ETL. Este tutorial te muestra cómo controlar cada paso del pipeline y trabajar con archivos locales, la nube, bases de datos y APIs REST.

Aprende a instalar Jenkins en Windows, a configurar y ejecutar agentes y pipelines Jenkins, y a construir proyectos MLOps con pipelines Jenkins, desde la formación de modelos hasta el servicio de modelos.

Explora los tipos de modelos de ecuaciones estructurales. Aprende a hacer suposiciones teóricas, construir un modelo hipotético, evaluar el ajuste del modelo e interpretar los resultados en el modelado de ecuaciones estructurales.

Una dependencia transitiva se produce cuando un atributo de una base de datos depende indirectamente de otro a través de un tercer atributo, provocando redundancia. Sigue leyendo para aprender a identificar y eliminar las dependencias transitivas en el diseño de bases de datos .

Aprende a calcular la suma total de cuadrados (SST), la suma de cuadrados de regresión (SSR) y la suma de cuadrados de error (SSE) para evaluar la precisión del modelo de regresión. Descubre sus relaciones matemáticas y cómo influyen en la R-cuadrado.

Descubre cómo interpretar la r-cuadrado ajustada para evaluar el rendimiento del modelo de regresión. Compara la diferencia entre r-cuadrado y r-cuadrado ajustado con ejemplos en R y Python.

Aprende a calcular la desviación típica muestral y comprende su importancia en el análisis estadístico. Explora ejemplos y buenas prácticas para la interpretación de datos del mundo real.

Aprende cómo la curva AUC-ROC evalúa los modelos de clasificación binaria, centrándose en el rendimiento a través de umbrales, especialmente en conjuntos de datos desequilibrados. Utiliza las bibliotecas de Python para calcular los valores AUC y comparar clasificadores en un solo flujo de trabajo.

Una media winsorizada reduce la influencia de los valores atípicos al limitar los valores extremos a percentiles específicos, preservando la estructura general del conjunto de datos. Sigue leyendo para aprender a calcular la media winsorizada utilizando Python para practicar.

Descubre GitHub Codespaces, el entorno de desarrollo que te permite escribir, ejecutar y desplegar tu código en cualquier lugar.