Python for Data Science - De cero a Experto - 13 - Machine Learning | Python for Data Science

🎯 ¿Qué lograrás con esta clase? Al completar esta clase aprenderás: ✅ Introducción al Machine Learning. ✅ Introducción al caso de estudio - K vecinos más cercanos. ✅ Clasificación - Carga del dataset. ✅ Clasificación - Visualizar el dataset. ✅ Clasificación - Separar el dataset. ✅ Clasificación - Crear el modelo. ✅ Clasificación - Entrenar el modelo. ✅ Clasificación - Predecir clases de dígitos. ✅ Clasificación - Métricas para la exactitud del modelo. ✅ Clasificación - Validación cruzada con K-fold. ✅ Clasificación - Varios modelos hasta dar con el bueno. ✅ Clasificación - Ajustar hiperparámetros. ✅ Regresión Lineal - Regresión sencilla. ✅ Regresión Lineal - Cargar el dataset. ✅ Regresión Lineal - Explorar datos. ✅ Regresión Lineal - Separar datos. ✅ Regresión Lineal - Hacer el modelo. ✅ Regresión Lineal - Probar el modelo. ✅ Regresión Lineal - Visualizar los resultados. ✅ Regresión Lineal - Métricas del modelo. ✅ Regresión Lineal - Escoger el mejor modelo. ✅ Aprendizaje no Supervisado - Reducción de dimensiones (I). ✅ Aprendizaje no Supervisado - Reducción de dimensiones (II). ✅ K-Means clustering - Introducción. ✅ K-Means clustering - Explorar el dataset. ✅ K-Means clustering - Visualizar el dataset. ✅ K-Means clustering - Usar el k-means estimador. ✅ K-Means clustering - Visualizar los datos. ✅ K-Means clustering - Escoger el mejor. 💪 No olvides que tienes que replicar todo el código y realizar anotaciones explicativas para poder obtener el máximo rendimiento en esta clase. Conviértete en miembro de este canal para disfrutar de ventajas: https://www.youtube.com/channel/UChx-m6THK-W8xMdAzoh2w9g/join