Este curso ya no recibe mantenimiento. Explora nuestros cursos y laboratorios más recientes. Puedes compartir tus comentarios con nosotros en Discord .

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

Técnicas de regresión de datos no lineales

Predicción del Precio del Bitcoin

Agrupamiento basado en centroides

Clustering Espectral y Otros Métodos de Clustering

Técnicas de Reconocimiento de Patrones No Lineales

Selecciona modelos rápidamente con validación cruzada

Clasificación de árboles de decisión con Python

Clasificación Probabilística con Bayesiano Ingenuo

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.

Recomendado Para Ti

no data