# machine-learning-clasico-con-python

Machine Learning con scikit-learn y XGBoost

Aprende a plantear, preparar, entrenar y evaluar modelos de machine learning clásico con scikit-learn y XGBoost. Cubre limpieza de datos, pipelines, regresión con regularización, KNN, SVM, Naive Bayes, clustering, PCA, árboles, Random Forest, gradient boosting, XGBoost y ajuste de hiperparámetros, todo sobre un mismo conjunto de datos de canciones de una app de streaming. El curso termina con un modelo …
Leer más
Aprende a plantear, preparar, entrenar y evaluar modelos de machine learning clásico con scikit-learn y XGBoost. Cubre limpieza de datos, pipelines, regresión con regularización, KNN, SVM, Naive Bayes, clustering, PCA, árboles, Random Forest, gradient boosting, XGBoost y ajuste de hiperparámetros, todo sobre un mismo conjunto de datos de canciones de una app de streaming. El curso termina con un modelo completo construido desde un CSV sucio. Es para quien ya programa en Python y quiere aplicar los algoritmos de ML clásico que se usan con datos tabulares.
  • precio · gratis
  • cat · Ciencia de Datos
  • lecciones · 36
  • duración · ~337 min
Empezar gratis

Acceso libre · sin registro · sin pagos

# machine-learning-clasico-con-python
$ pypro.run(Machine Learning con scikit-learn y XGBo)
$ precio: gratis
$ acceso: libre

# curriculum

¿Qué vas a aprender?

01 Fundamentos: qué es ML y el flujo de scikit-learn 5 lecciones
  1. Google Flu Trends: cuando el modelo responde otra pregunta
  2. Qué es machine learning
  3. Instalación y configuración del entorno
  4. Preparación de un problema de ML
  5. Notebook: tu primer modelo de punta a punta
02 Preparación de datos y pipelines 6 lecciones
  1. Mars Climate Orbiter: una sonda perdida por unidades mezcladas
  2. Manejo de datos sucios
  3. Escalado de características
  4. Selección de características con filtros
  5. Pipelines y ColumnTransformer
  6. Notebook: del CSV sucio a un Pipeline sin fuga de datos
03 Regresión y clasificación: modelos lineales, KNN, SVM y Naive Bayes 8 lecciones
  1. COMPAS: la exactitud no cuenta toda la historia
  2. Regresión lineal
  3. Notebook: regresión lineal para predecir popularidad
  4. Regularización: Ridge y Lasso
  5. Clasificación: logística, KNN y métricas
  6. SVM y Naive Bayes para clasificación
  7. Quiz: regresión y clasificación
  8. Notebook: comparar clasificadores para el Top 50
04 Aprendizaje no supervisado 7 lecciones
  1. John Snow y el brote de cólera de Broad Street
  2. Clustering con K-Means
  3. Más allá de K-Means: clustering jerárquico y DBSCAN
  4. PCA: reducir dimensión con componentes principales
  5. Análisis de componentes principales (PCA) en la práctica
  6. Quiz: aprendizaje no supervisado
  7. Notebook: agrupar canciones por cómo suenan
05 Árboles, boosting con XGBoost y ajuste de hiperparámetros 10 lecciones
  1. El reto del bosón de Higgs y el origen de XGBoost
  2. Validación cruzada
  3. Árboles de decisión
  4. Ensambles: bagging, Random Forest y gradient boosting
  5. XGBoost: regularización, early stopping y parámetros clave
  6. Notebook: árboles, Random Forest, gradient boosting y XGBoost
  7. Ajuste de hiperparámetros con GridSearchCV
  8. Búsqueda aleatoria de hiperparámetros para XGBoost
  9. Quiz: validación, árboles, boosting y ajuste
  10. Proyecto final: predictor de hits
Guillermo Izquierdo

# instructor

Guillermo Izquierdo

Ingeniero, hago Python aplicado y enseño en PyPro. Los cursos son cortos, técnicos y al grano. Aprendes lo que sí se usa.

¿Qué es PyPro?
Empezar gratis →