Python aplicado a Machine Learning

Habilidades que obtendrás

• Utilizar la librería scikit-learn para aprendizaje supervisado y no-supervisado y entender cómo superar las limitaciones.
• Entrenar modelos de clusterizacion.
• Utilizar técnicas de reducción de dimensionalidad.
• Evaluación de modelos no supervisados.
• Interpretación de los resultados de los modelos no supervisados.
• Evaluación de los modelos entrenados.
• Optimización de los modelos entrenados.
• Consumir datos para el entrenamiento de modelos de machine learning.
• Entrenar diferentes modelos de machine learning supervisado.
• Utilizar “pipelines” para el procesamiento de datos.
• El funcionamiento básico de la librería de statsmodels.
• Entrenamiento de una regresión logística.
• Analizar y mejorar los resultados de las regresiones logísticas.
• Crear Pipelines de Sklearn para el entrenamiento de un modelo de Machine Learning.
• Entrenar modelos de árboles de decision, random forest y xgboost.
• Técnicas para reducir el overtraining con estos modelos.
• Identificar cuando hace falta emplear reducción de dimensionalidad.
• Técnicas simples para reducir las dimensiones.
• Utilizar PCA para reducir dimensiones.
• Utilizar TSNE para reducir dimensiones.
• Aprovechar las dimensiones reducidas para mejorar análisis y modelaje.
Leer más