Aprendizaje supervisado en R: Clasificación
En este curso aprenderás los fundamentos del aprendizaje automático para clasificación.
Comienza El Curso Gratis4 horas14 vídeos55 ejercicios91.231 aprendicesDeclaración de cumplimiento
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?
Probar DataCamp for BusinessPreferido por estudiantes en miles de empresas
Descripción del curso
Esta introducción de nivel principiante al aprendizaje automático abarca cuatro de los algoritmos de clasificación más comunes. Saldrás con una comprensión básica de cómo cada algoritmo aborda una tarea de aprendizaje, además de aprender las funciones de R necesarias para aplicar estas herramientas a tu propio trabajo.
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.En las siguientes pistas
Fundamentos del machine learning en R
Ir a la pistaCientífico de machine learning in R
Ir a la pista- 1
k Vecinos más próximos (kNN)
GratuitoComo el algoritmo kNN literalmente "aprende con el ejemplo", es un buen ejemplo para empezar a entender el aprendizaje automático supervisado. En este capítulo se introduce la clasificación, mientras se trabaja en la aplicación de kNN al reconocimiento de señales de tráfico de vehículos autoconducidos.
Clasificación con vecinos cercanos50 xpReconocer una señal de tráfico con kNN100 xpPensar como kNN50 xpExplorar el conjunto de datos de señales de tráfico100 xpClasificar una colección de señales de tráfico100 xp¿Y la "k" de kNN?50 xpComprender el impacto de la "k50 xpProbar otros valores "k100 xpVer cómo votaron los vecinos100 xpPreparación de datos para kNN50 xp¿Por qué normalizar los datos?50 xp - 2
Bayes ingenuos
Naive Bayes utiliza principios del campo de la estadística para hacer predicciones. En este capítulo se presentarán los fundamentos de los métodos bayesianos y se explorará cómo aplicar estas técnicas a las sugerencias de destinos tipo iPhone.
Comprender los métodos bayesianos50 xpCálculo de probabilidades100 xpComprender los sucesos dependientes50 xpUn modelo de localización sencillo de Naive Bayes100 xpExaminar las probabilidades "brutas100 xpComprender la independencia50 xpComprender la "ingenuidad" de NB50 xp¿A quién llamas ingenuo?50 xpUn modelo de localización más sofisticado100 xpPrepararse para imprevistos100 xpComprender la corrección de Laplace50 xpAplicación de Naive Bayes a otros problemas50 xpManejo de predictores numéricos50 xp - 3
Regresión logística
La regresión logística consiste en ajustar una curva a datos numéricos para hacer predicciones sobre sucesos binarios. Podría decirse que es uno de los métodos de aprendizaje automático más utilizados. En este capítulo se ofrece una visión general de la técnica, a la vez que se ilustra cómo aplicarla a los datos de recaudación de fondos.
Hacer predicciones binarias con regresión50 xpConstruir modelos sencillos de regresión logística100 xpHacer una predicción binaria100 xpLas limitaciones de la precisión50 xpCompromisos de rendimiento del modelo50 xpCálculo de las curvas ROC y AUC100 xpComparación de curvas ROC50 xpVariables ficticias, datos que faltan e interacciones50 xpCodificación de rasgos categóricos100 xpTratamiento de los datos que faltan100 xpComprender los indicadores de valores omitidos50 xpConstruir un modelo más sofisticado100 xpSelección automática de rasgos50 xpLos peligros de la regresión por pasos50 xpConstruir un modelo de regresión por pasos100 xp - 4
Árboles de clasificación
Los árboles de clasificación utilizan estructuras similares a diagramas de flujo para tomar decisiones. Como los humanos pueden entender fácilmente estas estructuras de árbol, los árboles de clasificación son útiles cuando se necesita transparencia, como en la aprobación de préstamos. Utilizaremos el conjunto de datos de Lending Club para simular este escenario.
Tomar decisiones con los árboles50 xpConstruir un árbol de decisión sencillo100 xpVisualizar árboles de clasificación100 xpComprender las decisiones del árbol50 xpÁrboles de clasificación cada vez más grandes50 xp¿Por qué se dividen algunas ramas?50 xpCrear conjuntos de datos de prueba aleatorios100 xpConstruir y evaluar un árbol más grande100 xpRealizar una evaluación justa del rendimiento50 xpTendiendo a árboles de clasificación50 xpEvitar que los árboles crezcan demasiado100 xpCrear un árbol bien podado100 xp¿Por qué se benefician los árboles de la poda?50 xpVer el bosque desde los árboles50 xpComprender los bosques aleatorios50 xpConstruir un modelo de bosque aleatorio100 xp
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.En las siguientes pistas
Fundamentos del machine learning en R
Ir a la pistaCientífico de machine learning in R
Ir a la pistacolaboradores
requisitos previos
Intermediate RBrett Lantz
Ver MásSenior Data Scientist at Sony PlayStation
¿Qué tienen que decir otros alumnos?
¡Únete a 15 millones de estudiantes y empieza Aprendizaje supervisado en R: Clasificación hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.