Desarrolla una base amplia de clasificación supervisada clásica en diez notebooks Jupyter. Estudiarás cómo deciden los principales algoritmos, implementarás mecanismos en Python, crearás modelos scikit-learn, visualizarás resultados y compararás clasificadores con validación cruzada.
El curso conecta matemáticas y código: sigmoide y pérdida logarítmica, distancias y votación KNN, probabilidad bayesiana, márgenes y kernels SVM, ganancia de información, retropropagación y combinación de modelos. Ejercicios de código refuerzan distribuciones gaussianas, reconocimiento de dígitos y selección de modelos.
Lo que aprenderás
- Derivar e implementar regresión logística con sigmoide, pérdida logarítmica, gradiente y scikit-learn
- Construir KNN desde distancias y votación, y examinar elección de K y kd-trees
- Aplicar teorema de Bayes, estimación, Naive Bayes multinomial y distribuciones gaussianas
- Comparar SVM lineales y no lineales y funciones kernel habituales
- Implementar perceptrón y retropropagación, y clasificar dígitos con
MLPClassifier - Construir árboles con ganancia de información, poda y scikit-learn
- Entrenar Bagging, Random Forest, AdaBoost y Gradient Boosting
- Preparar datos Abalone y comparar siete clasificadores con validación cruzada de 10 pliegues
A quién va dirigido este curso
Este curso es para quienes ya conocen Python y quieren comprender varios métodos clásicos más allá de llamar a un estimador. Sirve al pasar de machine learning introductorio a comparación y selección de modelos. Aunque los notebooks se marcan como principiantes, las derivaciones y componentes manuales no son adecuados para alguien nuevo en programación o álgebra básica.
Requisitos previos: Se recomiendan Python, NumPy, Pandas, gráficos y álgebra básica. Ayudan probabilidad, derivadas, particiones train/test y conceptos de características y etiquetas.
Entorno de aprendizaje: Las diez actividades se ejecutan en un entorno Jupyter Ubuntu 22.04 proporcionado. Combinan explicaciones, visualizaciones, ejemplos scikit-learn, datos y código para completar.
Preguntas frecuentes
¿Implementa algoritmos desde cero o usa scikit-learn?
Hace ambas cosas. Varios notebooks programan mecánicas como gradiente logístico, distancia y voto KNN, actualizaciones del perceptrón y división de árboles, y después usan estimadores para entrenamiento y comparación.
¿Qué clasificadores cubre?
Regresión logística, KNN, Naive Bayes, SVM lineal y con kernels, perceptrones y redes multicapa, árboles, Bagging, Random Forest, AdaBoost y Gradient Boosting.
¿Enseña evaluación y selección de modelos?
Sí. Los laboratorios calculan precisión y el último notebook prepara Abalone y compara siete familias mediante validación cruzada de 10 pliegues con parámetros predeterminados.
¿Puedo copiar los ejemplos a un proyecto scikit-learn actual?
El entorno preparado admite los notebooks, pero algunos ejemplos usan imports o constructores antiguos. En una instalación nueva, consulta la API actual y adapta nombres o argumentos obsoletos.
