Biblioteca Abierta · SciTechBiz Institute

Machine learning con Python y scikit-learn

Curso de Inria sobre modelado predictivo con scikit-learn: del pipeline básico a la selección de modelos, el ajuste de hiperparámetros, los modelos lineales, los árboles, los ensamblados y la evaluación. Cuadernos y ejercicios con sus soluciones. Formación del SciTechBiz Institute con materiales abiertos de Inria, bajo licencia CC BY 4.0.

  • Inria · CC BY 4.0
  • Lecciones: 51
  • ≈ 33 h
  • castellano
También disponible en inglés

Lo que aprenderás

Programa

Conceptos de aprendizaje automáticoLecciones: 1
  1. Introducción a los conceptos de aprendizaje automático
El pipeline de modelado predictivoLecciones: 5
  1. Visión general del módulo
  2. Exploración de datos tabulares
  3. Ajuste de un modelo de scikit-learn con datos numéricos
  4. Manejo de datos categóricos
  5. Principales conclusiones
Selección del mejor modeloLecciones: 5
  1. Visión general del módulo
  2. Sobreajuste y subajuste
  3. Curvas de validación y de aprendizaje
  4. Equilibrio entre sesgo y varianza
  5. Principales conclusiones
Ajuste de hiperparámetrosLecciones: 4
  1. Visión general del módulo
  2. Ajuste manual
  3. Ajuste automático
  4. Principales conclusiones
Modelos linealesLecciones: 5
  1. Visión general del módulo
  2. Intuiciones sobre los modelos lineales
  3. Ingeniería de características no lineales para modelos lineales
  4. Regularización en los modelos lineales
  5. Principales conclusiones
Modelos de árboles de decisiónLecciones: 6
  1. Visión general del módulo
  2. Intuiciones sobre los modelos basados en árboles
  3. Árbol de decisión en clasificación
  4. Árbol de decisión en regresión
  5. Hiperparámetros del árbol de decisión
  6. Conclusiones principales
Ensamblado de modelosLecciones: 5
  1. Visión general del módulo
  2. Método de ensamble con bootstrapping
  3. Ensamble basado en boosting
  4. Ajuste de hiperparámetros con métodos de ensamble
  5. Conclusiones principales
Evaluación del rendimiento de un modeloLecciones: 7
  1. Visión general del módulo
  2. Comparar un modelo con referencias simples
  3. Elección de la validación cruzada
  4. Validación cruzada anidada
  5. Métricas de clasificación
  6. Métricas de regresión
  7. Conclusiones principales
ConclusionesLecciones: 1
  1. Comentarios finales
Reducción de dimensionalidadLecciones: 2
  1. Visión general del módulo
  2. Intuiciones sobre la reducción de dimensionalidad
Selección de variablesLecciones: 4
  1. Visión general del módulo
  2. Beneficios de usar la selección de características
  3. Salvedades de la selección de características
  4. Principales conclusiones
Interpretación de modelosLecciones: 1
  1. Importancia de las características
Agrupamiento (clustering)Lecciones: 5
  1. Visión general del módulo
  2. K-means
  3. Clustering cuando fallan los supuestos de k-means
  4. Principales conclusiones
  5. Glosario

Certificado y tutor de IA

Los miembros estudian estos cursos sin coste adicional. El certificado de aprovechamiento del SciTechBiz Institute y el tutor de IA se incluyen con la licencia.

Ver la licencia

Atribución

Fuente
Inria
Licencia
CC BY 4.0
Versión
1b294d95296e

Basado en «Machine learning in Python with scikit-learn», de Inria (GitHub, licencia CC BY 4.0)

Traducción y adaptación: SciTechBiz Institute

Inria no respalda ni certifica esta formación.

Las fuentes citadas no respaldan ni certifican estos cursos; se usan bajo sus licencias abiertas, con atribución en cada lección.