Machine Learning con Python y Scikit-learn
Acerca de este curso
Scikit-learn es una biblioteca robusta de aprendizaje automático, también llamado Machine Learning, para el lenguaje de programación Python. Proporciona un conjunto de algoritmos de aprendizaje supervisados y no supervisados. Este curso es la forma más fácil de aprender a implementar, optimizar y evaluar todos los algoritmos importantes de aprendizaje automático que proporciona scikit-learn. Comenzará configurando y su entorno de aprendizaje automático con scikit-learn. Para utilizar scikit-learn, aprenderá a implementar varios modelos de aprendizaje automático supervisados y no supervisados. Aprenderá técnicas de clasificación, regresión y agrupación para trabajar con diferentes tipos de conjuntos de datos y capacitar a sus modelos. Finalmente, aprenderá sobre un pipeline efectivo para ayudarlo a construir un proyecto desde cero.Descripción
> Módulo 1. Introducción al aprendizaje automático con scikit-learn
Una breve introducción al aprendizaje automático.
¿Qué es scikit-learn?
Instalar scikit-learn
Algoritmos que aprenderá a implementar usando scikit-learn
> Módulo 2. Predicción con K-nearest
Preparación de un conjunto de datos para el aprendizaje automático con scikit-learn
El algoritmo k-NN
Implementación del algoritmo k-NN usando scikit-learn
Afinando los parámetros del algoritmo k-NN
Escalado para un rendimiento optimizado
> Módulo 3. Predicción con regresión logística
Comprender matemáticamente la regresión logística
Implementación de regresión logística usando scikit-learn
Afinando los hiperparámetros
Escalando los datos
Interpretar el modelo de regresión logística.
> Módulo 4. Predicción con Naive Bayes and SVMs
El algoritmo Naive Bayes
Soporte de máquinas vectoriales
> Módulo 5. Predicción con regresión lineal
La mecánica interna del algoritmo de regresión lineal.
Implementando regresión lineal en scikit-learn
Modelo de optimización
> Módulo 6. Clasificación y regresión con árboles
Árboles de clasificación
Árboles de regresión
Clasificador de conjunto
> Módulo 7. Agrupación de datos con aprendizaje automático no supervisado
El algoritmo k-means
Implementación del algoritmo k-means en scikit-learn
Característica de ingeniería para la optimización
Visualización de clúster
Pasar del aprendizaje no supervisado al supervisado
> Módulo 8. Métodos de evaluación del desempeño
¿Por qué es crítica la evaluación del desempeño?
Evaluación de desempeño para algoritmos de clasificación
Evaluación de desempeño para algoritmos de regresión
Evaluación de desempeño para algoritmos no supervisados
¿Qué aprenderé?
- Trabajar con todos los algoritmos de aprendizaje automático de scikit-learn
- Instalar y configurar scikit-learn para construir su primer modelo de aprendizaje automático
- Emplear algoritmos de aprendizaje automático no supervisados para agrupar datos no etiquetados en grupos
- Realizar el aprendizaje automático de clasificación y regresión
- Usar un pipe efectivo para construir un proyecto de machine learning desde cero
