> 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