Curso de Machine Learning supervisado con Scikit-learn
En este curso vamos a explorar la librería de scikit-learn para ejecutar todo el flujo del entrenamiento y optimización de modelos de machine learning para el aprendizaje supervisado.
Impartido por:
Lo que aprenderás en este curso:
- Entrenar diferentes modelos de machine learning supervisado.
- Utilizar “pipelines” para el procesamiento de datos.
- Evaluación de los modelos entrenados.
- Optimización de los modelos entrenados.
- Consumir datos para el entrenamiento de modelos de machine learning.
Requisitos del curso
Es necesario tener conocimientos básicos de la teoría introductoria de machine learning y también saber manejar datos con Pandas.
Valoraciones de estudiantes:
Contenido del curso:
-
- 2m
-
-
Introducción a Scikit-learn5m
-
Sintaxis básica7m
-
Requisitos mínimos8m
-
-
-
Pasos previos a entrenar un modelo5m
-
Dividir en Train y Test8m
-
Pipeline5m
-
Funciones especiales para preparar los datos11m
-
Creando un pipeline7m
-
-
- 2m
-
GLM8m
-
Near neighbours5m
-
SVM5m
-
Modelos basados en árboles13m
-
Redes neuronales9m
-
-
Introducción a la evaluación de resultados4m
-
Las diferentes métricas7m
-
Métodos visuales para la evaluación6m
-
Calibración de la probabilidad5m
-
-
-
Optimización básica2m
-
Eligiendo los mejores features5m
-
Optimización estructurada6m
-
Optimización de pipelines5m
-
-
-
Resumen2m
-
Te dejamos una selección de cursos, carreras y artículos
Machine Learning con clasificadores lineales en Python
En este taller aprenderás que los clasificadores lineales tienen diversos beneficios para afrontar problemas de clasificación y vamos a ver cómo crear estos modelos y …
Machine Learning con modelos basados en árboles en Python
Los modelos de Machine Learning basados en árboles no solo son muy poderosos, son además robustos frente a una gran variedad de adversidades. En este …
Dudas frecuentes
¿Cuál es el precio?
En OpenWebinars no vendemos formaciones.
Tenemos diferentes tipos de suscripciones, que te dará acceso completo a todas las formaciones de la plataforma y a las nuevas que vamos lanzando, siempre y cuando tu suscripción esté activa (como Spotify con la música o Netflix con las películas y series).
¿Eres una empresa? Tenemos planes especiales para ti. Consúltanos aquí.
¿Cuándo comienza la formación?
En OpenWebinars las formaciones no tienen fecha de inicio y de final.
Cada curso tiene una fecha de publicación y desde ese día estarán 100% disponible todos los contenidos del curso para los usuarios suscritos a alguno de nuestros planes.
¿Puedo obtener un diploma que acredite mis conocimientos?
Efectivamente, una vez superada cada formación, podrás descargarte el diploma acreditativo de cada una de ellas. Añádelas a tu CV y mejora tu perfil para las empresas.
También podrás obtener un diploma de nivel superior al superar todas las formaciones de la carrera.
Este curso online está pensado para cualquier alumno que esté comenzando su formación en el mundillo de machine learning, que ya conozcan los conceptos teóricos fundamentales y quieran aprender a aplicar sus conocimientos en el campo del aprendizaje supervisado utilizando el lenguaje de programación Python.
Se requieren conocimientos básicos de la teoría de machine learning y saber manejar datos con la librería Pandas. Si necesitas aprender estos conceptos o refrescarlos, puedes realizar los cursos que encontrarás en nuestra plataforma, como son Curso de introducción a Machine Learning, Curso de tratamiento de datos con Pandas en Python y/o Curso de tratamiento de datos con Pandas y NumPy.
La primera parte de este curso de machine learning supervisado la dedica el profesor en acercar como toma de contacto a scikit-learn y su uso para entrenar modelos. Explicará qué es, los motivos por los que se utiliza, qué otras tecnologías conforman su ecosistema, cómo realizar su instalación y un primer vistazo a la sintaxis básica de esta librería.
A continuación, en el siguiente segmento formativo, nos enfocamos en los pasos previos al entrenamiento de un modelo, en el que aprenderás cuáles son y cómo realizar estos procesos previos de una forma teórica y también práctica.
Avanzamos hasta el bloque en el que veremos los modelos de scikit-learn que podemos entrenar, cuáles tenemos disponibles y las diferencias entre ellos, profundizando en los modelos GLM, Near neighbours, SVM, los modelos basados en árboles y las redes neuronales.
Seguidamente vamos a ver cómo realizar la evaluación de los resultados obtenidos tras entrenar nuestros modelos. Tras una introducción a estos procesos, veremos las diferentes métricas que podemos elegir y cómo elegir la más acertada en cada caso, los diferentes métodos visuales para la evaluación y la calibración de la probabilidad.
Para concluir este curso, aprenderás a optimizar los modelos, un paso de gran importancia dentro del entrenamiento de modelos. En las lecciones que conforman este apartado se explicará lo referente a la optimización básica para comenzar, y profundizando después en la elección de los mejores features, cómo realizar una optimización estructurada y una optimización de pipelines.