LabEx
Únete

Laboratorios de Práctica de Sklearn

Este curso contiene muchos laboratorios para Sklearn. Cada laboratorio es un pequeño proyecto de Sklearn con orientación detallada y soluciones. Puedes practicar tus habilidades en Sklearn completando estos laboratorios, mejorar tus habilidades de codificación y aprender a escribir código limpio y eficiente.

PythonCiencia de datos

💡 Este tutorial está traducido por IA desde la versión en inglés. Para ver la versión original, puedes hacer clic aquí

Programa

Comparación de clasificadores de Scikit-Learn

Clasificación de documentos de texto

Discretización de Características para la Clasificación

Tuberías y Estimadores Compuestos

Escalado de Características en el Aprendizaje Automático

Construyendo tuberías en Scikit-Learn

Iterative Imputer de Scikit-Learn

Aprendizaje de variedades en dígitos manuscritos

Clasificación de dígitos con características de RBM

Column Transformer con Tipos Mixtos

Usando la API set_output

Clasificación de texto semi-supervisada

Comparación de la Calibración de Clasificadores

Curva de compensación de errores de detección

Reducción de dimensionalidad con Pipeline y GridSearchCV

Curvas de Calibración de Probabilidad

Comparación de algoritmos de detección de anomalías

Métrica Precision-Recall para la Clasificación Desequilibrada

Selección de Características Univariadas

Selección de características para SVC en el conjunto de datos Iris

Vecinos más cercanos aproximados en TSNE

Crear visualizaciones con objetos de visualización

Transformando el objetivo para la regresión lineal

Gradient Boosting con Características Categóricas

Construyendo tuberías de aprendizaje automático con Scikit-Learn

Reconocimiento facial con eigenfaces y SVMs

Concatenar múltiples métodos de extracción de características

Razones de verosimilitud de clase para medir el rendimiento de la clasificación

Graficar PCR vs PLS

Algoritmos de clasificación multicategoría y multi-salida

Imputar Datos Faltantes

Regresión logística multinomial MNIST

Detección de valores atípicos utilizando algoritmos de Scikit-Learn

Evaluación de ROC Multiclase con Scikit-Learn

Extracción y evaluación de características de texto

Transformaciones de características con conjuntos de árboles

Regularización del Perceptrón Multicapa

Agrupamiento K-Means en Dígitos Manuscritos

Aproximación del kernel polinomial con Scikit-Learn

API de visualización de Scikit-Learn

Clasificación de flores de iris utilizando el clasificador de votación

Graficar la clasificación Nca

Gráfico de la tubería de dígitos

Estimadores y tuberías de Scikit-Learn

Equilibrar la complejidad del modelo y la puntuación validada cruzada

Efecto del umbral variable en el autoentrenamiento

Clasificación de documentos con múltiples etiquetas

Clasificación de texto utilizando aprendizaje fuera de núcleo

Comparando regresores bayesianos lineales

Selección del modelo Lasso

Selección de modelo para la regresión Lasso

Eliminación recursiva de características con validación cruzada

Selección de Características con Scikit-Learn

Algoritmo de Clustering DBSCAN

Agrupamiento Biciclístico de Documentos Utilizando el Algoritmo de Coagrupamiento Espectral

Exploración de métodos de ensamble con Scikit-Learn

Árboles de decisión potenciados con AdaBoost para múltiples clases

Trazar curvas de aprendizaje

Transformación de datos categóricos usando TargetEncoder

Sous-ajustement et sur-ajustement

Clasificación con árbol de decisión simple de AdaBoost

Graficando predicciones con validación cruzada

Ajuste de estimador lineal robusto

Evaluando la calidad del modelo de aprendizaje automático

Almacenamiento en caché de los vecinos más cercanos

Optimizar los hiperparámetros del modelo con GridSearchCV

Estimaciones out-of-bag del Gradient Boosting

Deshacerse del ruido en imágenes con Kernel PCA

Transformación de Características por Hashing

Graficar la probabilidad de clasificación

Calibración de Probabilidades para la Clasificación de Tres Clases

Importancia de las características con el bosque aleatorio

AdaBoost Discreto vs Real

Estimación de Densidad Kernel

Parada temprana del Descenso de Gradiente Estocástico

Graficar Sgdocsvm vs Ocsvm

Regresión Logística Esparsa Multiclase

Iteraciones por mitades sucesivas

Clasificar dígitos manuscritos con MLP Classifier

Cuantización de Colores Utilizando K-Means

Selección de características basada en modelos y selección secuencial

Discretizar características continuas con KBinsDiscretizer

Eliminación recursiva de características

Predicción de diabetes utilizando Voting Regressor

Graficar Bosque Iris

Agrupamiento jerárquico con restricciones de conectividad

Optimización de hiperparámetros: Búsqueda aleatorizada vs Búsqueda en cuadrícula

Curvas de validación: trazar puntuaciones para evaluar modelos

Podado de árboles de decisión posterior

Regresión Ridge para Modelado Lineal

Comparación de solvers en línea para la clasificación de dígitos manuscritos

Análisis del árbol de decisión

Probabilidades de clase con VotingClassifier

Comparación de Bosque Aleatorio y Gradiente de Histograma con Mejora

Análisis de Clustering con el Método Silueta

Trazar la regresión logística multinomial y one-vs-rest

Comparando K-Means y MiniBatchKMeans

Algoritmo de Biclustering Espectral

Algoritmo de Co-Clustering Espectral

Importancia de las Características por Permutación

Árboles de Decisión en el Conjunto de Datos Iris

Validación cruzada anidada para la selección de modelos

Puntuación de Prueba de Permutación para la Clasificación

Escalado del parámetro de regularización para SVMs

Graficando curvas de validación

Ajuste de Hiperparámetros de un Estimador

Clasificación de Dígitos utilizando Scikit-Learn

Revelando la estructura del conjunto de datos Iris a través del Análisis Factorial

Gráfico de extracción de temas con NMF y LDA

Métodos de inicialización del Modelo de Mezcla Gaussiana

Dependencia Parcial y Expectativa Condicional Individual

ROC con Validación Cruzada

Regresión isotónica no paramétrica con Scikit-Learn

Regresión de Señales Dispersas con Modelos Basados en L1

Regresión de mínimos cuadrados no negativos

Regresión cuantílica con Scikit-Learn

Detección de valores atípicos en datos de vinos

Explorando los supuestos del agrupamiento k - means

Explorando el lema de Johnson-Lindenstrauss con proyecciones aleatorias

Análisis de Componentes Principales con PCA Kernel

Análisis del conjunto de datos de dígitos

Graficar la Búsqueda en Cuadrícula de Dígitos

Detección de anomalías con Isolation Forest

Comparar GPR y KRR en un Gráfico

Scikit-Learn MLPClassifier: Estrategias de Aprendizaje Estocástico

Análisis Discriminante Lineal para la Clasificación

Graficar la regresión de Ridge Kernel

Graficar la regresión de bosque aleatorio con salida múltiple

Comparación entre Búsqueda en Cuadrícula y Mitosis Sucesiva

Graficar la selección de modelos PCA vs FA

Modelado de la Distribución de Especies

Escalado y Transformación de Datos

Demostración de las estrategias de KBinsDiscretizer

Comparación de FeatureHasher y DictVectorizer

Precomputar la matriz de Gram para ElasticNet

Graficar Huber vs Ridge

Regresión Lasso de Scikit-Learn

Recuperación de señal esparsa con Orthogonal Matching Pursuit

Graficar el hiperplano de separación con SGD

Regresión logística paso a paso

Evaluación empírica de la inicialización de K-Means

Análisis de Componentes Vecinos

Estimación de densidad de núcleo de las distribuciones de especies

Agrupamiento por Propagación de Afinidad

Dendrograma de agrupamiento jerárquico

Comparando BIRCH y MiniBatchKMeans

Comparación de rendimiento entre Bisecting K-Means y K-Means regular

Comparando algoritmos de agrupamiento

Demostración del algoritmo de agrupamiento HDBSCAN

Algoritmo de Agrupamiento Mean-Shift

Clustering no supervisado con K-Means

Estimación de error OOB en bosque aleatorio

Importancias de píxeles con bosque aleatorio paralelo de árboles

Segmentación de imágenes con agrupamiento jerárquico

Graficar Parches de Rostros del Diccionario

Procesos Gaussianos en Estructuras de Datos Discretos

Agrupamiento Espectral para la Segmentación de Imágenes

Desempate en el modelo de SVM

Gráfico de GPR Co2

Regresión de árboles de decisión potenciados

Descomposición de sesgo-varianza con Bagging

Modelo de regresión Elastic-Net de Scikit-Learn

Graficar el agrupamiento jerárquico

Mapear datos a una distribución normal

Validación cruzada con modelos lineales

SVM: Hiperplano Separador de Márgen Máximo

SVM para clases desequilibradas

Técnicas de Preprocesamiento en Scikit-Learn

Métricas de agrupamiento jerárquico

Clasificador de regresión logística en el conjunto de datos Iris

Clasificador SGD de múltiples clases de Scikit-Learn

Análisis de Componentes Principales Incremental en el Conjunto de Datos Iris

Estimación de covarianza inversa espacial

Clasificación por centroides cercanos

Predicciones probabilísticas con Clasificación por Procesos Gaussianos

Restricciones monotónicas en el Gradient Boosting

Matriz de confusión de Scikit-Learn

Reconocimiento de dígitos manuscritos

Regularización de Gradient Boosting

Aprendizaje de Propagación de Etiquetas

Algoritmos de Aprendizaje Semi-Supervisado

Técnicas de regresión de datos no lineales

Predicción del Precio del Bitcoin

Estimación de covarianza por encogimiento

Visualizar datos de alta dimensión con MDS

Covarianzas del Modelo Mixto de Gaussianas

Selección de Modelos de Mezcla Gaussiana

Clasificadores Semi-Supervisados en el Conjunto de Datos Iris

Aproximación explícita del mapa de características para kernels RBF

Graficar PCA vs LDA

Aprendizaje de variedades en datos esféricos

Descomposiciones del Conjunto de Datos de Caras

Gráficos de conjuntos de datos de clasificación aleatorios

Generación de conjuntos de datos de múltiples etiquetas con Scikit-Learn

Reducción de dimensionalidad en Swiss Roll y Swiss-Hole

Scikit-Learn Libsvm GUI

Cuantización vectorial con KBinsDiscretizer

Agrupamiento jerárquico con Scikit-Learn

Transformando el objetivo de predicción

Aglomeración de Características para Datos de Alta Dimensión

Extracción de características con Scikit-Learn

Comparación de la Prueba F y la Información Mutua

Ajuste de curvas con regresión de Ridge bayesiana

Lasso y Elastic Net

Modelo de Regresión Logística

Selección conjunta de características con Lasso multitarea

Aplicando Técnicas de Regularización con SGD

Regresión de Theil-Sen con Python Scikit-Learn

Reconstrucción de imágenes por detección por compresión

Regresión de árbol de decisión

Regresión de árbol de decisión multi-salida

Estimación de densidad de núcleo simple en una dimensión

Factor de Atípico Local para la Detección de Novedades

Detección de valores atípicos con LOF

Estimación de densidad utilizando densidad con núcleo

Explorando el agrupamiento K-Means con Python

Agrupamiento jerárquico ascendente en el conjunto de datos de dígitos

Algoritmo de Clustering OPTICS

Biclustering en Scikit-Learn

Trayectoria de regularización de la regresión logística L1

Regresión de Vectores de Soporte

Agrupamiento basado en centroides

Modelos de Red Neuronal

Clasificación por Procesos Gausianos en el Conjunto de Datos Iris

Clasificación con Procesos Gaussianos

Clasificación de procesos gaussianos en el conjunto de datos XOR

Modelado predictivo no lineal usando Procesos Gaussianos

Ajustar el modelo de regresión con procesos gaussianos

Regresión de Procesos Gaussianos: Kernels

Clustering Espectral y Otros Métodos de Clustering

Técnicas de Reconocimiento de Patrones No Lineales

Selecciona modelos rápidamente con validación cruzada

Validación cruzada en el conjunto de datos de dígitos

Early Stopping de Gradient Boosting

Validación cruzada en aprendizaje automático con Python

Ejemplo de regresión lineal

Métricas y Kernels entre Pares en Scikit-Learn

Comparar métodos de descomposición cruzada

Clasificación de vecinos más cercanos

Clasificación SVM con Kernel Personalizado

Clasificador SVM en el Conjunto de Datos Iris

Imputación de Valores Faltantes

Clasificación de árboles de decisión con Python

Técnicas de Aproximación de Kernel en Scikit-Learn

Clasificación Probabilística con Bayesiano Ingenuo

Separación de fuentes ocultas

Análisis de Componentes Independientes con FastICA y PCA

Clasificación de Flores Iris con Scikit-learn

Análisis de Componentes Principales

Codificación esparsa con diccionario precomputado

Wikipedia PageRank con SVD aleatorizado

Descomponiendo Señales en Componentes

Comparación de estimadores de covarianza

Relevancia de la estimación robusta de covarianza y las distancias de Mahalanobis

Estimación de covarianza robusta en Python

Estimación de la Matriz de Covarianza con Scikit-Learn

Aprendizaje de variedades con Scikit-Learn

Algoritmos de clasificación de Análisis Discriminante

Graficar la prioridad de concentración

Modelos Mixto Gaussiano

Regresión no lineal con isotonia

Aprendizaje activo con propagación de etiquetas

Método Bagging y Boosting

Exploración del agrupamiento jerárquico para la agrupación

Guía de TensorFlow

Red neuronal superficial implementada con TensorFlow 2

Guardado y restauración de modelos de TensorFlow 2

Entrenar la red neuronal de reconocimiento de dígitos manuscritos

Cálculo del coeficiente de regresión ridge

Fundamentos de la regresión lineal

Clasificación de Regresión Logística con Scikit-Learn

Predicción de los precios de las viviendas en Pekín

Agrupamiento basado en densidad

Compresión de imágenes utilizando Mini Batch K Means

Aplicación de la agrupación basada en densidad

Algoritmo de los k Vecinos Más Cercanos

Regresión Ridge y Regresión Lasso

Clasificación del conjunto de datos de evaluación de seguridad de automóvil

Perceptrón y Red Neuronal Artificial

Introducción

Este curso de Laboratorios de Práctica de Sklearn está diseñado para ayudarte a dominar la aplicación práctica de la popular biblioteca de aprendizaje automático, Scikit-learn (Sklearn). A través de una serie de laboratorios cuidadosamente seleccionados, tendrás la oportunidad de aplicar tus conocimientos de Sklearn a proyectos del mundo real, perfeccionando tus habilidades de codificación y aprendiendo a escribir código limpio y eficiente.

🎯 Tareas

En este curso, aprenderás:

  • Cómo implementar una amplia gama de algoritmos de Sklearn, incluyendo técnicas de clasificación, regresión, agrupamiento (clustering) y reducción de dimensionalidad
  • Cómo preprocesar y preparar datos para modelos de Sklearn
  • Cómo ajustar los hiperparámetros de los modelos y evaluar el rendimiento de los modelos
  • Cómo aplicar Sklearn para resolver problemas prácticos en áreas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y el análisis predictivo

🏆 Logros

Después de completar este curso, podrás:

  • Aplicar con confianza Sklearn para abordar una variedad de problemas de aprendizaje automático
  • Desarrollar una comprensión profunda de las funcionalidades principales y las mejores prácticas de Sklearn
  • Mejorar tus habilidades de codificación trabajando en proyectos de Sklearn prácticos y bien diseñados
  • Volverte proficiente en la escritura de código basado en Sklearn limpio, eficiente y mantenible

Profesor

labby
Labby
Labby is the LabEx teacher.
Laboratorios de Práctica de Sklearn
279 laboratorios
Empezar a Aprender

Únete a Nuestro Discord y Aprende Juntos

Únete Ahora
Prueba el terminal Linux online

Recomendado Para Ti

no data