9.2 Carga y Exploración de Variables

Machine Learning Modelos de Clasificación con Python

Conceptos Generales

Aprendizaje Supervisado Modelos de Clasificación - Naive Bayes

2.1 Conceptos Naive Bayes (5:41)
2.2 Exploración de Datos (10:24)
2.3 Visualización y Transformación (4:57)
2.4 Análisis Probabilístico (Teórico-Práctico) (6:50)
2.5 Aplicación del Algoritmo (10:49)
2.6 Métricas de Evaluación (4:13)
2.7 Múltiples Variables Predictoras (13:02)

Aprendizaje Supervisado Modelos de Clasificación - Decision Tree

3.1 Conceptos Decision Tree (8:13)
3.2 Exploración y Transformación (8:50)
3.3 Aplicación del Algoritmo (10:18)
3.4 Métricas de Evaluación (4:25)
3.5 Profundidad Óptima (4:02)
3.6 Ejercicio Práctico 2 (6:06)
3.7 Múltiples Variables Predictoras (5:13)
3.8 Hiperparámetros (5:31)

Aprendizaje Supervisado Modelos de Clasificación - Logistic Regression

4.1 Concepto Regresión Logística (2:46)
4.2 Exploración de Datos (10:52)
4.3 Limpieza y Transformación de Datos (3:20)
4.4 Regresión Logística (3:18)
4.5 Regresión Logística Multinomial (2:48)
4.6 Resultados del Modelo (2:31)
4.7 Curva ROC (2:58)

Aprendizaje Supervisado Modelos de Clasificación - K Nearest Neighbors

5.1 Conceptos K Nearest Neighbors (4:01)
5.2 Exploración de Datos (7:58)
5.3 Transformación de Datos (4:38)
5.4 Aplicación del Algoritmo (3:16)
5.5 Validación de Resultados (4:02)
5.6 Ejercicio Practico 2 (2:01)
5.7 Elegir el K Optimo (5:13)

Aprendizaje Supervisado Modelos de Clasificación - Random Forest

6.1 Conceptos Random Forest (3:50)
6.2 Exploración de Datos (10:54)
6.3 Normalizar y Balancear los datos (6:25)
6.4 Feature Importance y aplicando el Algoritmo (6:59)
6.5 Métricas de Resultados (4:04)

Aprendizaje Supervisado Modelos de Clasificación - Support Vector Machine

7.1 Conceptos Máquinas de Soporte Vectorial (5:32)
7.2 Exploración de datos (9:29)
7.3 Limpieza y transformación (8:11)
7.4 SVM Kernel Lineal (5:29)
7.5 SVM Kernel Polinomial (3:15)
7.6 SVM Kernel RBF (3:12)
7.7 Visualización del Hiperplano (4:25)

Aprendizaje No Supervisado Modelos de Clusterizacion & PCA - Análisis de Componentes Principales

8.1 Conceptos Análisis de Componente Principales (5:29)
8.2 Exploración y Estandarización (7:52)
8.3 PCA (10:13)
8.4 Varianza Acumulada Explicada (9:08)
8.5 Caso #2: Exploración de Datos (7:55)
8.6 Limpieza y Estandarización (5:37)
8.7 Aplicación del Método PCA (7:15)

Aprendizaje No Supervisado Modelos de Clusterizacion & PCA - K - Means

9.1 Conceptos K Means (10:29)
9.2 Carga y Exploración de Variables (7:04)
9.3 Método del Codo (7:48)
9.4 Visualizando Resultados (6:13)
9.5 Puntuación del Modelo (9:17)
9.6 KMeans Modelo 2 (10:32)

Aprendizaje No Supervisado Modelos de Clusterizacion & PCA - Hierarchical Cluster

10.1 Concepto Cluster Jerárquico (8:08)
10.2 Carga y Limpieza de Datos (7:28)
10.3 Estandarización y Correlación (6:41)
10.4 Grafico Dendrograma y Silueta (9:44)
10.5 Visualizando los Cluster (6:34)
10.6 Explorando las características de cada cluster (6:13)

Fin del curso

Contenidos de Clase bloqueados

Si ya está inscrito, necesitarás loguearte.