Descubre el aprendizaje supervisado con scikit-learn
Cette formation propose une introduction claire et accessible aux principes fondamentaux de l’apprentissage supervisé avec scikit-learn. Elle permet de comprendre le fonctionnement des algorithmes de prédiction, les mécanismes de classification et de régressio
Cree su cuenta gratuita
Cómo se desarrolla el curso
Cada lección es un texto estructurado, ilustrado con ejemplos y esquemas, seguido de un cuestionario corregido automáticamente. Avanzas a tu ritmo, y tus notas quedan vinculadas a la lección en la que las tomaste.
-
Acquérir une bonne compréhension des concepts fondamentaux de l’apprentissage supervisé
-
Comprendre les différences entre les méthodes de classification et de régression
-
Savoir préparer les données et entraîner des modèles prédictifs avec scikit-learn
-
Apprendre à évaluer les performances des modèles et à interpréter leurs résultats
-
Développer la capacité à choisir et appliquer des algorithmes adaptés à différents problèmes de prédiction
-
Analyste de données : collecte, préparation et analyse des données pour faciliter la prise de décision.
-
Data Scientist junior : conception et entraînement de modèles prédictifs à partir de données.
-
Ingénieur en machine learning junior : développement et optimisation d’algorithmes d’apprentissage automatique.
-
Analyste en intelligence artificielle : exploitation des méthodes d’apprentissage supervisé pour résoudre des problèmes concrets.
-
Chargé d’études statistiques : réalisation d’analyses à l’aide de méthodes de classification et de régression.
-
Développeur Python orienté données : création de solutions utilisant scikit-learn pour automatiser les analyses et les prédictions.
-
Spécialiste en analyse prédictive : identification des tendances et anticipation des évolutions à partir des données.
-
Consultant junior en data science : accompagnement des organisations dans leurs projets d’analyse et de valorisation des données.
-
Assistant en recherche appliquée : participation à des projets utilisant des algorithmes d’apprentissage automatique.
Accesibilidad

Si tiene una discapacidad y desea seguir una formación con nosotros, este correo electrónico está dedicado a usted: contact@datagoz.com . Para cualquier otra situación, no dude en contactarnos para evaluar cómo garantizar una experiencia de aprendizaje.
¿Cómo financio mi formación?
Certificado de superación: al final de este curso, se le entregará un certificado de superación DATAGOZ, nominativo y verificable en línea.
¡El equipo de DATAGOZ te desea una buena formación!
6 capítulos, 51 lecciones
- 2. Machine learning con scikit-learnabierto
- 2. Clasificación binariaabierto
- 2. Etapas clave del aprendizaje supervisadoabierto
- 2. Abordar un problema de clasificaciónabierto
- 2. Ajustar un modelo con los k vecinos más cercanosabierto
- 2. Realizar predicciones con los k vecinos más cercanosabierto
- 2. Evaluar el rendimiento del modeloabierto
- 2. Separar los datos y medir la precisiónabierto
- 2. Identificar el sobreajuste y el subajusteabierto
- 2. Analizar la complejidad del modeloabierto
- 3. Introducción a los principios de la regresiónseguidores
- 3. Crear y seleccionar características relevantesseguidores
- 3. Construir un modelo de regresión linealseguidores
- 3. Representar gráficamente un modelo de regresión linealseguidores
- 3. Asimilar los principios fundamentales de la regresión linealseguidores
- 3. Ajustar un modelo y realizar prediccionesseguidores
- 3. Evaluar el rendimiento de un modelo de regresiónseguidores
- 3. Descubrir los principios de la validación cruzadaseguidores
- 3. Evaluar el coeficiente R² mediante validación cruzadaseguidores
- 3. Interpretar los indicadores de validación cruzadaseguidores
- 3. Mejorar los modelos mediante la regularizaciónseguidores
- 3. Aplicar la regularización Ridge (de cresta)seguidores
- 3. Identificar las características importantes con la regresión Lassoseguidores
- 4. Evaluar la fiabilidad y la calidad de tu modeloseguidores
- 4. Elegir una métrica de evaluación adecuadaseguidores
- 4. Evaluar un clasificador de predicción de la diabetesseguidores
- 4. Descubrir la regresión logística y la curva ROCseguidores
- 4. Construir un modelo de regresión logísticaseguidores
- 4. Trazar e interpretar la curva ROCseguidores
- 4. Medir el rendimiento con el área bajo la curva ROC (ROC AUC)seguidores
- 4. Comprender el ajuste de los hiperparámetrosseguidores
- 4. Optimizar los hiperparámetros con GridSearchCVseguidores
- 4. Explorar los hiperparámetros con RandomizedSearchCVseguidores
- 5. Preparar y transformar los datosseguidores
- 5. Codificar las variables categóricasseguidores
- 5. Aplicar la regresión a los datos categóricosseguidores
- 5. Gestionar los valores faltantesseguidores
- 5. Tratar los datos incompletos mediante eliminaciónseguidores
- 5. Construir un pipeline para predecir el género musical (1.ª parte)seguidores
- 5. Completar el pipeline de predicción del género musical (2.ª parte)seguidores
- 5. Estandarizar los datos mediante centrado y escaladoseguidores
- 5. Aplicar la estandarización a un modelo de regresiónseguidores
- 5. Estandarizar los datos para la clasificaciónseguidores
- 5. Comparar el rendimiento de varios modelosseguidores
- 5. Visualizar los resultados de los modelos de regresiónseguidores
- 5. Realizar predicciones con los datos de pruebaseguidores
- 5. Comparar gráficamente el rendimiento de los modelos de clasificaciónseguidores
- 5. Crear un pipeline para predecir la popularidad de las cancionesseguidores
- 5. Balance de lo aprendido en el cursoseguidores
Todo lo que acompaña a las lecciones
Cuánto tiempo, según su disponibilidad
Lo que obtiene al final
Cuando el curso termina, el certificado de asistencia se emite a su nombre. Su código permite a un reclutador verificarlo en pocos segundos.
No es un título ni una certificación profesional; es la prueba verificable de que ha seguido y superado este curso.
Quién escribe este curso
Una pedagogía clara y aplicada, con ejemplos concretos para aprender de forma eficaz.
Antes de empezar
Empieza este curso hoy
11 lecciones abiertas, sin tarjeta bancaria. Verás el nivel y el tono antes de decidir.