Aprendizaje supervisado con scikit-learn
"Mejora tus habilidades en machine learning con scikit-learn en Python. Usa datos reales y haz predicciones."
Comience El Curso Gratis4 horas15 vídeos49 ejercicios141.624 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?
Pruebe DataCamp para empresasPreferido por estudiantes en miles de empresas
Descripción del curso
Desarrolla tus habilidades de machine learning con scikit-learn y descubre cómo utilizar esta popular biblioteca de Python para entrenar modelos utilizando datos etiquetados. En este curso, aprenderás a hacer predicciones potentes, como si un cliente se dará de baja de tu negocio, si una persona tiene diabetes e incluso cómo clasificar el género de una canción. Utilizando conjuntos de datos del mundo real, descubrirás cómo construir modelos predictivos, ajustar sus parámetros y determinar su rendimiento con datos no vistos.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaFundamentos del aprendizaje automático en Python
Ir a la pista- 1
Clasificación
GratuitoEn este capítulo, se te presentarán los problemas de clasificación y aprenderás a resolverlos mediante técnicas de aprendizaje supervisado. Aprenderás a dividir los datos en conjuntos de entrenamiento y de prueba, ajustar un modelo, hacer predicciones y evaluar la precisión. Descubrirás la relación entre la complejidad del modelo y el rendimiento, aplicando lo que aprendas a un conjunto de datos de rotación, donde clasificarás el estado de rotación de los clientes de una empresa de telecomunicaciones.
Machine learning con scikit-learn50 xpClasificación binaria50 xpEl flujo de trabajo del aprendizaje supervisado100 xpEl reto de la clasificación50 xpk vecinos más cercanos: Ajustar100 xpk vecinos más cercanos: Predecir100 xpMedir el rendimiento del modelo50 xpDivisión entrenamiento/prueba + cálculo de la precisión100 xpSobreajuste e infraajuste100 xpVisualizar la complejidad del modelo100 xp - 2
Regresión
En este capítulo, te introducirás en la regresión y construirás modelos para predecir los valores de las ventas utilizando un conjunto de datos sobre gastos publicitarios. Aprenderás la mecánica de la regresión lineal y las métricas de rendimiento más comunes, como R-cuadrado y error cuadrático medio. Realizarás la validación cruzada k-fold, y aplicarás la regularización a los modelos de regresión para reducir el riesgo de sobreajuste.
Introducción a la regresión50 xpCrear características100 xpConstruir un modelo de regresión lineal100 xpVisualizar un modelo de regresión lineal100 xpConceptos básicos de la regresión lineal50 xpAjustar y predecir para la regresión100 xpRendimiento de la regresión100 xpValidación cruzada50 xpValidación cruzada para R-cuadrado100 xpAnalizar las métricas de validación cruzada100 xpRegresión regularizada50 xpRegresión regularizada: Cresta100 xpRegresión Lasso para la importancia de las características100 xp - 3
Afinar tu modelo
Una vez entrenados los modelos, ahora aprenderás a evaluarlos. En este capítulo, se te presentarán varias métricas junto con una técnica de visualización para analizar el rendimiento de los modelos de clasificación mediante scikit-learn. También aprenderás a optimizar los modelos de clasificación y regresión mediante el uso del ajuste de hiperparámetros.
¿Es bueno tu modelo?50 xpDecidir una métrica principal50 xpEvaluación de un clasificador de predicción de la diabetes100 xpRegresión logística y curva ROC50 xpConstruir un modelo de regresión logística100 xpLa curva ROC100 xpROC AUC100 xpOptimización de hiperparámetros50 xpAjuste de hiperparámetros con GridSearchCV100 xpAjuste de hiperparámetros con RandomizedSearchCV100 xp - 4
Preprocesamiento y canalizaciones
Aprende a imputar valores perdidos, convertir datos categóricos en valores numéricos, escalar datos, evaluar simultáneamente múltiples modelos de aprendizaje supervisado y construir canalizaciones para agilizar tu flujo de trabajo.
Preprocesamiento de datos50 xpCrear variables ficticias100 xpRegresión con características categóricas100 xpTratamiento de los datos que faltan50 xpEliminar los datos que faltan100 xpCanalización para la predicción del género de las canciones: I100 xpCanalización para la predicción del género de las canciones: II100 xpCentrado y escalado50 xpCentrado y escalado para la regresión100 xpCentrado y escalado para la clasificación100 xpEvaluar varios modelos50 xpVisualizar el rendimiento del modelo de regresión100 xpPredecir en el conjunto de pruebas100 xpVisualizar el rendimiento del modelo de clasificación100 xpCanalización para predecir la popularidad de las canciones100 xp¡Enhorabuena!50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero Asociado de IA para Científicos de Datos
Ir a la pistaFundamentos del aprendizaje automático en Python
Ir a la pistacolaboradores
requisitos previos
Introduction to Statistics in PythonGeorge Boorman
Ver MásCurriculum Manager, DataCamp
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Aprendizaje supervisado con scikit-learn 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.