Formación Machine Learning con Pyton: Clasificación

Paso a paso

1. 1 Iniciando en clasificación

   En este primer paso, comenzarás tu experiencia en la clasificación en Python aprendiendo a entrenar modelos de clasificación a partir de datos, a realizar predicciones sobre nuevos datos del modelo entrenado y a almacenarlos en un archivo para que puedas usarlos en tus proyectos.

   Explorarás las métricas clave de los modelos de clasificación, identificarás la métrica más relevante para cada tipo de problema, utilizarás diferentes estrategias de validación de datos para evaluar el rendimiento del modelo y aprenderás técnicas para gestionar datos desequilibrados.

   Finalmente, tendrás la oportunidad de aplicar todas estas habilidades a problemas multiclase, donde ya no se trata solo con dos categorías, sino con varias. La capacidad de clasificar datos en múltiples categorías es crucial en muchas aplicaciones del mundo real y ampliará significativamente tus habilidades de clasificación en Python.

   • ARTIGO

     Directo al punto: qué es Machine Learning con ejemplos reales | Alura Cursos Online

   • 

     CURSO

     Clasificación: aprendiendo a clasificar datos con Machine Learning

     08h

     Faça esse curso e:

     • Realice análisis exploratorios de datos para aprendizaje automático
     • Aplique transformaciones a variables categóricas
     • Entrene modelos de clasificación a partir de datos
     • Realice predicciones de nuevos datos con modelos de clasificación
     • Almacene modelos de transformación de datos y de aprendizaje automático en archivos pickle

     Más detalles
   • ARTIGO

     Problemas resueltos mediante algoritmos de clasificación | Alura Cursos Online

   • 

     CURSO

     Clasificación: validación de modelos y métricas de evaluación

     08h

     Faça esse curso e:

     • Valide modelos de machine learning con el método hold-out y validación cruzada
     • Evalúe modelos de machine learning a partir de métricas de desempeño
     • Identifique cuáles son las métricas más apropiadas para cada tipo de problema
     • Realice el balanceo de datos utilizando oversampling y undersampling
     • Aplique un pipeline para validar modelos de forma correcta

     Más detalles
   • VIDEO

     - YouTube

   • 

     CURSO

     Clasificación: resolviendo problemas multiclase

     08h

     Faça esse curso e:

     • Aplica técnicas de análisis exploratorio para comprender los datos y obtener insights
     • Realiza el preprocesamiento de datos para el entrenamiento de modelos de clasificación
     • Evalúa el desempeño de modelos de clasificación para problemas multiclase
     • Realiza el balanceo de datos para mejorar el rendimiento de los modelos
     • Aplica un pipeline para validar correctamente los modelos
     • Interpreta resultados e insights obtenidos a partir de los análisis y evaluaciones
     • Investiga problemas de forma analítica y crítica

     Más detalles

2. 2 Optimización de resultados

   Tras completar los pasos iniciales en la construcción de modelos de Machine Learning para la clasificación, es hora de profundizar en nuestra comprensión de cómo mejorar los resultados obtenidos. Para ello, avanzaremos en la optimización de hiperparámetros, explorando técnicas como la validación cruzada anidada (Nested Cross-Validation), la búsqueda aleatoria (Random Search), la búsqueda en cuadrícula (Grid Search) y la optimización bayesiana (Bayesian Optimization).

   A continuación, utilizaremos técnicas para evaluar la importancia de los atributos de nuestros conjuntos de datos para el problema de clasificación. Esto nos permitirá ajustar los datos únicamente a los mejores atributos y optimizar los resultados.

   • 

     CURSO

     Clasificación: optimizando modelos de Machine Learning

     08h

     Faça esse curso e:

     • Conoce las técnicas para la optimización de hiperparámetros
     • Aprende cómo mejorar el resultado del modelo
     • Entiende cómo funcionan las técnicas de optimización de hiperparámetros
     • Realiza la optimización de hiperparámetros usando las técnicas presentadas
     • Encuentra el mejor modelo para los datos trabajados

     Más detalles