9- Predictores | A2 Capacitación

Reproducción Automática
Autocompletar

Clase Previa Completar y Continuar

MACHINE LEARNING

Rutas de Estudio

Ruta

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

1- Introduccion (1:17)
2- Armando el arbol (4:05)
3- Arbol de Decisiones (7:36)
4- Probabilidades (2:15)
5- Cart (2:55)
6- Complejidad Computacional (1:16)
7- Hiperparametros (4:03)
8- Regresión (5:00)
9- INestabilidad (1:30)

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

1- Introducción (3:54)
2- La maldicion de la Dimensionalidad (4:26)
3- Proyecciones (3:11)
4- Manifolio (6:51)
5- PCA-Matematicas (17:49)
6- PCA - Scikit (3:27)
7- PCA para compresion (3:21)
8- Incremental PCA (2:31)
9- Kernel PCA (2:57)
10- Seleccionar un PCA de Kernel (2:06)
11- LLE (2:43)

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

Obtén tu certificado

Teach online with

9- Predictores

Contenidos Bloqueados

Si ya estas inscrito necesitarás ingresar.

Inscríbete en el curso para desbloquear