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

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