Rutas de Estudio
Capítulo 1 - Introducción a Machine Learning
-
Archivos de Trabajo Machine Learning
-
Requisitos para Tomar el Curso
-
1 - Introducción (1:08)
-
1.1 - Panorama de Machine Learning (4:55)
-
1.2a - Aprendizaje Supervisado y No Supervisado (4:35)
-
1.2b - Aprendizaje Supervisado y No Supervisado (3:18)
-
1.3 - Aprendizaje Bach y Aprendizaje online (2:53)
-
1.4 - Aprendizaje Basado en Instancias y Basado en Modelos (3:52)
-
1.5 - Retos principales de Machine Learning (5:59)
-
1.6 - Testeo, Validación e Hiperparametros (2:25)
Capítulo 2 - Proyecto End-to-End
-
1 - Introducción (2:39)
-
2- Trabajar con Datos de la Vida Real (1:21)
-
3- Ver el panorama completo (1:23)
-
4/6 - Panorama completo (El Modelo) (5:37)
-
7 - Validar los supuestos (1:36)
-
8- Obtener los Datos (8:39)
-
9 - Un vistazo rápido 1 - Merge e Info (4:16)
-
10 - Un vistazo rápido 2 - Análisis de Datos (6:55)
-
11 - Crear un Set de Prueba y Entrenamiento (3:09)
-
12- Crear un Set de Prueba y Entrenamiento 2 (3:15)
-
13 - Crear un Set de Prueba y Entrenamiento 3 (11:04)
-
14 - Crear un Set de Prueba y Entrenamiento 4 (1:11)
-
15 - Geopandas (2:14)
-
16 - Geopandas 2 (Instalar) (4:15)
-
17 - Geopandas 3 (4:42)
-
18 - Geopandas 4 (3:30)
-
19 - Geopandas 5 (4:37)
-
20 - Geopandas 6 (7:47)
-
21 - Correlanciones (9:16)
-
22 - Combinar Variables para Correlación (3:40)
-
23 - Separar Etiquetas y Datos de Entrenamiento (3:57)
-
24 - Rellenar Datos vacíos con Pandas (5:42)
-
25 - Rellenar Datos vaciós con Simple Imputer (6:57)
-
26 - Armate el Ordinal Encoder (4:22)
-
27 - One Hot Encoding_ avance_3 (5:30)
-
28 - Escalar Datos (6:50)
-
29 - Pipeline (3:39)
-
30 - Column Transform (4:04)
-
31 - Ajustar el Modelo y Errores Iniciales (7:32)
-
32 - Calcular RMSE_final (3:36)
-
33 - Arbol de Decisión (3:44)
-
34 - K-Fold Cross Validation (5:32)
-
35 - Random Forest (6:50)
-
36 - Grid Search (5:43)
-
37 - Set de Prueba (5:33)
-
38 - Conclusiones (3:24)
Capítulo 3 - Clasificación
-
1- Introducción (1:55)
-
2- Cargar los Datos (2:47)
-
3- Análisis de una sola variable (11:17)
-
4- Análisis de variables vs Medicamento (12:48)
-
5- Limpieza de datos y Train Test Split (7:17)
-
6. Precisión y Recall (4:06)
-
7- Modelo de Clasificación Binario (5:50)
-
8- Matriz de confusión (4:23)
-
9- Medidas de desempeño - Medir Accuracy (4:14)
-
10- Crear Matriz de Confusión (4:41)
-
11- Como medir Precisión y Recall (11:28)
-
12- Umbral de Precisión y Recall (12:02)
-
13- Curva ROC (8:27)
-
14- Clasificación Multiclase (10:17)
-
15- Análisis de Errores y Final (8:10)
Capítulo 4 - Modelo de Entrenamiento
-
1- Introducción (1:46)
-
2- Regresión Lineal (11:05)
-
3- La ecuación Normal (12:55)
-
4- Complejidad Computacional (1:34)
-
5- Decenso del Gradiente - Básico (4:22)
-
6- Decenso del Gradiente - Con su Derivada (9:00)
-
7- Decenso del Gradiente - Batch (9:41)
-
8- SGD (12:17)
-
9- Mini Batch y Concluision (2:27)
-
10- Regresión Poliniminal (10:32)
-
11- Curvas de Aprendizaje (15:27)
-
12- Bias vs Variance intercambio (4:41)
-
13- Regresión de Cresta (10:50)
-
14- Regresión de Lasso (7:50)
-
15- Elastic Net (4:57)
-
16- Función Sigmoide (4:11)
-
17- Función de Costo (4:28)
-
18- Aplicación de Regresión Lógistica (11:38)
-
19- Función Softmax (6:17)
-
20- Entropia cruzada (11:09)
-
21- Softmax aplicado (1:59)
Capítulo 5 - Máquinas de Vectores de Soporte
-
1- SVM (5:26)
-
2- Margen Suave (3:29)
-
3- Ejemplo con Python (7:59)
-
4- Clasificacion no lineal (4:51)
-
5- Kernel Trick (8:11)
-
6- RBF Explicación (4:51)
-
7- RBF Apliación (4:06)
-
8- Complejidad computacional (1:56)
-
9- Regresión SVM (3:05)
-
10- Matematicas SVM Margen Duro (8:47)
-
11- Matematicas SVM Margen Suave (8:39)
-
12- Problema Dual (11:09)
-
13- Truco de Kernel Final (8:30)
Capítulo 6 - Árboles de Decisión
Capitulo 7 - Bosque Aleatorio y Boosting
-
1- Introduccion (2:46)
-
2- Conceptos basicos de Clasificadores (7:38)
-
3- Un primer votador (10:44)
-
4- Bagging y Pasting (3:32)
-
5- Bagging y Pasting en Scikit (5:59)
-
6- Out of the Bag (3:42)
-
7- Random Subspaces (3:17)
-
8- Random Forests (4:24)
-
9- Predictores (2:07)
-
10- Boosting (2:15)
-
11- ADABoost (12:32)
-
12- Gradient Boost (14:57)
-
13- Aprendizaje en Conjunto (3:26)
8.- Reduccion de Dimensiones
Capítulo 9 - Aprendizaje No Supervisado
-
1- Introducción (5:00)
-
2- Clustering (5:23)
-
3- Usando Stickit (12:15)
-
4- Explicacion (7:30)
-
5- Inicializando centroides (7:50)
-
6- MiniBatch (2:57)
-
7- Cuantos Clusters se arman (10:02)
-
8- Limites de KMeans (1:46)
-
9- Procesamiento de imagenes (5:38)
-
10- Procesamiento con KMeans (7:14)
-
11- DBSCAN (5:45)
-
12- DBSCAN 2 (6:20)
-
13- Tipos de Clusters (3:15)
-
14- Mezclas Gaussianas (15:47)
-
15- GMM en Sickit (6:56)
-
16- Anomalías (3:44)
-
17- Cuantos Clusters (2:41)
-
18- Modelo Bayessiano (4:05)
¡Felicidades! has concluido tu curso de Machine Learning
