Descubre el aprendizaje supervisado con scikit-learn
6 capítulos · 51 lecciones
≈ 13 h
Certificado de seguimiento
Ajustable por su empresa, mediante presupuesto y factura
Cree su cuenta gratuita
11 lecciones abiertas, sin tarjeta bancaria.
Crear mi cuenta
Ya tengo una cuenta
Tus datos están alojados en la Unión Europea. Confidencialidad
Descripción
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.
¿Este formato le conviene?
Ver la primera lección11 lecciones abiertas, sin tarjeta bancaria.
Programa
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
Qué está incluido
Todo lo que acompaña a las lecciones
51 leccionesIlustradas con ejemplos y diagramas.
Cuestionario en cada lecciónCorrecciones inmediatas; solo cuenta su mejor puntuación.
Sus notasTomadas en las lecciones, localizadas por sección.
Preguntas del cursoPlantéelas en la lección: el equipo y los estudiantes responden.
Seguimiento del progresoPor sección, con sus resultados en los cuestionarios.
Certificado verificableNominativo, con un código único.
Ritmo
Cuánto tiempo, según su disponibilidad
Puedo dedicarle, por semana:
Certificado
Lo que obtiene al final
CERTIFICADO DE APROBACIÓNDescubre el aprendizaje supervisado con scikit-learnexpedido a su nombre
Código únicoVerificable en línea
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.
Autor
Quién escribe este curso
ÉQ
Equipo DATAGOZ
Formador · DATAGOZ
Una pedagogía clara y aplicada, con ejemplos concretos para aprender de forma eficaz.
Preguntas
Antes de empezar
Ningún requisito previo: el curso parte de los fundamentos.
Mientras su suscripción esté activa. Si la cancela, su progreso y sus certificados se conservan.
Un certificado de asistencia de DATAGOZ, nominativo y verificable en línea mediante su código. No es un título.
Accesibilidad. ¿Tiene alguna discapacidad? Escriba a contact@datagoz.com: estudiaremos con usted las adaptaciones posibles.
Empieza este curso hoy
11 lecciones abiertas, sin tarjeta bancaria. Verás el nivel y el tono antes de decidir.