Introducción
En este curso, aprenderás cómo utilizar scikit-learn para construir modelos predictivos a partir de datos. Explorarás los conceptos básicos del aprendizaje automático (machine learning) y verás cómo usar scikit-learn para resolver problemas de aprendizaje supervisado y no supervisado. También aprenderás cómo evaluar modelos, ajustar parámetros y evitar errores comunes. Trabajarás en ejemplos de problemas de aprendizaje automático utilizando conjuntos de datos del mundo real.
🎯 Tareas
En este curso, aprenderás:
- Cómo utilizar modelos lineales, análisis discriminante lineal y cuadrático, y técnicas de aprendizaje estadístico para resolver problemas de aprendizaje automático
- Cómo aplicar regresión de crestas con kernel (kernel ridge regression), máquinas de vectores de soporte (support vector machines) y descenso de gradiente estocástico (stochastic gradient descent) para tareas de aprendizaje supervisado
- Cómo realizar aprendizaje no supervisado, incluyendo la búsqueda de representaciones de los datos
- Cómo trabajar con datos de texto y utilizar procesos gaussianos (Gaussian processes) y técnicas de descomposición cruzada (cross decomposition)
- Cómo utilizar Naive Bayes y árboles de decisión (decision trees) para tareas de clasificación
🏆 Logros
Después de completar este curso, podrás:
- Implementar una variedad de algoritmos de aprendizaje automático utilizando scikit-learn
- Evaluar y ajustar el rendimiento de tus modelos
- Aplicar técnicas adecuadas de aprendizaje automático para resolver problemas del mundo real
- Comprender las fortalezas y limitaciones de diferentes enfoques de aprendizaje automático
