Ciencia de Datos para aprendizaje automático.
4.0
(1)
13 learners
What you'll learn
This course includes
- 15 hours of video
- Certificate of completion
- Access on mobile and TV
Course content
1 modules • 48 lessons • 15 hours of video
Ciencia de Datos para aprendizaje automático.
48 lessons
• 15 hours
Ciencia de Datos para aprendizaje automático.
48 lessons
• 15 hours
- 001.- Ciencia de Datos para aprendizaje automático. Introducción al curso. 08:46
- 002.- Ciencia de Datos para aprendizaje automático. El Ciclo de Vida 16:23
- 003.- Ciencia de Datos para aprendizaje automático. Ejemplo práctico Análisis Sentimiento. 18:06
- 004.- Ciencia de Datos para aprendizaje automático. La Estadística en el Siglo XXI. 23:25
- 005.- Ciencia de Datos para aprendizaje automático. Medidas estadísticas de dispersión 17:14
- 006.- Ciencia de Datos para aprendizaje automático. Flujo de trabajo completo. 31:43
- 007.- Ciencia de Datos para aprendizaje automático. Funciones de Densidad de Probabilidad. 18:39
- 008.- Ciencia de Datos para aprendizaje automático. Funciones de Masa de Probabilidad. 24:27
- 009.- Ciencia de Datos para aprendizaje automático. Funciones de Distribución Acumulada 26:19
- 010.- Ciencia de Datos para aprendizaje automático. Cuantiles: Percentiles y Cuartiles. 20:17
- 011.- Ciencia de Datos para aprendizaje automático. Teoría de la Probabilidad y Teorema de Bayes. 33:05
- 012.- Ciencia de Datos para aprendizaje automático. Momentos en Estadística y Ciencia de Datos. 30:18
- 013.- Ciencia de Datos para aprendizaje automático. Covarianza y Correlación 14:24
- 014.- Ciencia de Datos para aprendizaje automático. Modelos de Regresión estadística. 20:22
- 015.- Ciencia de Datos para aprendizaje automático. Regresión Lineal en Aprendizaje Automático 13:48
- 016.- Ciencia de Datos para aprendizaje automático. Regresión Lineal Múltiple 10:18
- 017.- Ciencia de Datos para aprendizaje automático. Regresiones No lineales 13:36
- 018.- Ciencia de Datos para aprendizaje automático. Regresiones Polinómicas 20:21
- 019.- Ciencia de Datos para aprendizaje automático. Regresiones Múltiples 21:12
- 020.- Ciencia de Datos para aprendizaje automático. Filtrado colaborativo:Sistema de recomendaciónes 36:30
- 021.- Ciencia de Datos para aprendizaje automático. Técnica Train-Test split. Ejemplo práctico. 17:30
- 022.- Ciencia de Datos para aprendizaje automático. El Perceptrón, la primera Neurona Artificial. 25:08
- 023.- Ciencia de Datos para aprendizaje automático. Taller práctico: Máquina Perceptrón con Python. 42:21
- 024.- Ciencia de Datos para aprendizaje automático. Adaline. Adaptative Linear Neuron. 32:02
- 025.- Ciencia de Datos para ML. Escalado de funciones: Normalización y Estandarización 33:10
- 026.- Ciencia de Datos para ML. Introducción a Scikit-Learn. 19:28
- 027.- Ciencia de Datos para ML. Función sigmoide y Regresión logística 17:57
- 028.- Ciencia de Datos para ML. Entropía cruzada binaria. Ejemplo práctica. 15:30
- 029.- Ciencia de Datos para ML. Entrenamiento de un modelo con Regresión Logística en scikit-learn. 17:59
- 030.- Ciencia de Datos para ML. Máquinas de Soporte Vectorial (SVM) 14:44
- 031.- Ciencia de Datos para ML. Uso de Kernels SVM 12:22
- 032.- Ciencia de Datos para ML. Uso del Kernel RBF para encontrar un hiperplano de separación. 10:51
- 033.- Ciencia de Datos para ML. Uso de Árboles de decisión. 16:08
- 034.- Ciencia de Datos para ML. Cálculo de la Ganancia de información en los árboles de decisión. 16:20
- 035.- Ciencia de Datos para ML. Bosques Aleatorios 14:05
- 036.- Ciencia de Datos para ML. Algoritmo K-nearest neighbors. 16:05
- 037.- Ciencia de Datos para ML. Preprocesamiento de datos. 12:36
- 038.- Ciencia de Datos para ML. Eliminación e interpolación de datos faltantes 14:19
- 039.- Ciencia de Datos para ML. Transformadores y Predictores en Scikit-Learn. 13:50
- 040.- Ciencia de Datos para ML. Manejo de datos categóricos. 13:10
- 041.- Ciencia de Datos para ML. Uso de "One Hot Encoder" 16:46
- 042.- Ciencia de Datos para ML. Category Enconders 12:25
- 043.- Ciencia de Datos para ML. Prácticas de preprocesamiento con el Dataset "Wine" 13:20
- 044.- Ciencia de Datos para ML. Normalización y estandarización de datos. 11:35
- 045.- Ciencia de Datos para ML. Escalado de datos con RobustEscaler. 09:07
- 046.- Ciencia de Datos para ML. Regularizaciones "L1" y "L2" para minimizar el sobreajuste. 13:29
- 047.- Ciencia de Datos para ML. Algoritmos secuenciales de seleccion de características. 17:09
- 48.- Ciencia de datos para ML. Selección de características con bosques aleatorios. 12:30
