Aprendizaje Supervisado: Clasificación

Intermedio

Durante este curso, continuaremos aprendiendo otra aplicación importante en el aprendizaje supervisado: resolver problemas de clasificación. En las siguientes lecciones, se le presentarán: regresión logística, algoritmo de los k vecinos más cercanos, Naive Bayes, máquina de vectores de soporte, perceptrón y red neuronal artificial, árbol de decisión y bosque aleatorio, y métodos de bagging y boosting. El curso comenzará con el principio de cada uno de estos métodos. Se supone que debe comprender completamente la implementación

scikit-learnMachine Learning

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

Introducción

En este curso, aprenderá cómo resolver problemas de clasificación utilizando varios algoritmos de aprendizaje supervisado.

🎯 Tareas

En este curso, aprenderá:

  • Cómo implementar la regresión logística, el algoritmo de los k vecinos más cercanos (K-nearest neighbor algorithm), Naive Bayes, la máquina de vectores de soporte (support vector machine), el perceptrón y la red neuronal artificial, el árbol de decisión y el bosque aleatorio, y los métodos de bagging y boosting.
  • Cómo entender los principios detrás de cada uno de estos algoritmos de clasificación.
  • Cómo implementar y aplicar estos algoritmos para resolver problemas de clasificación del mundo real, como el reconocimiento de dígitos escritos a mano.

🏆 Logros

Después de completar este curso, podrá:

  • Comprender las fortalezas y debilidades de diferentes algoritmos de clasificación y elegir el adecuado para su problema.
  • Implementar y aplicar estos algoritmos para resolver problemas de clasificación en diversos dominios.
  • Evaluar el rendimiento de estos algoritmos utilizando técnicas de validación cruzada.

Profesor

labby

Labby

Labby is the LabEx teacher.