Course Hive
Search

Welcome

Sign in or create your account

Continue with Google
or
Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris
Play lesson

Aprendizaje Automático - Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris

4.0 (0)
12 learners

What you'll learn

This course includes

  • 1.5 hours of video
  • Certificate of completion
  • Access on mobile and TV

Aprendizaje Automático Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris

Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris Transcript and Lesson Notes

En este video se realiza un ejemplo de clasificación utilizando el algoritmo de K vecinos más cercanos en el conjunto de datos Iris. Se explica cómo cargar el dataset de tres diferentes formas, se muestran los primeros e

Quick Summary

En este video se realiza un ejemplo de clasificación utilizando el algoritmo de K vecinos más cercanos en el conjunto de datos Iris. Se explica cómo cargar el dataset de tres diferentes formas, se muestran los primeros e

Key Takeaways

  • Review the core idea: En este video se realiza un ejemplo de clasificación utilizando el algoritmo de K vecinos más cercanos en el conjunto de datos Iris. Se explica cómo cargar el dataset de tres diferentes formas, se muestran los primeros e
  • Understand how Python 101 fits into Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris.
  • Understand how clasificación fits into Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris.
  • Understand how K vecinos más cercanos fits into Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris.
  • Understand how conjunto de datos Iris fits into Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris.

Key Concepts

Full Transcript

En este video se realiza un ejemplo de clasificación utilizando el algoritmo de K vecinos más cercanos en el conjunto de datos Iris. Se explica cómo cargar el dataset de tres diferentes formas, se muestran los primeros ejemplos y sus características, y luego se procede a crear y entrenar el modelo. Además, se menciona la importancia de la validación cruzada en la evaluación de modelos. El video proporciona una guía paso a paso para aquellos interesados en aprender sobre el aprendizaje automático con Python. Efrén Juárez Todos los vídeos de esta lista de reproducción: https://www.youtube.com/playlist?list=PLQLJSyi5ubsFvTHFgLAJ-TXMUcKW2Pwqt Código de este vídeo: https://colab.research.google.com/drive/16lADN1_HcYkZ1-pP5pkKHKnD03nHZwLs?usp=sharing #Python101 #ProgramacionEnEspañol

Lesson FAQs

What is Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris about?

En este video se realiza un ejemplo de clasificación utilizando el algoritmo de K vecinos más cercanos en el conjunto de datos Iris. Se explica cómo cargar el dataset de tres diferentes formas, se muestran los primeros e

What key concepts are covered in this lesson?

The lesson covers Python 101, clasificación, K vecinos más cercanos, conjunto de datos Iris, aprendizaje automático.

What should I learn before Aprendizaje automático con Python: Clasificación y Evaluación cruzada del dataset Iris?

Review the previous lessons in Aprendizaje Automático, then use the transcript and key concepts on this page to fill any gaps.

How can I practice after this lesson?

Practice by applying the main concepts: Python 101, clasificación, K vecinos más cercanos, conjunto de datos Iris.

Does this lesson include a transcript?

Yes. The full transcript is visible on this page in indexable HTML sections.

Is this lesson free?

Yes. CourseHive lessons and courses are available to learn online for free.

Continue Learning

Course Hive

Continue this lesson in the app

Install CourseHive on Android or iOS to keep learning while you move.

Related Lessons

Related Courses

FAQs

Course Hive
Download CourseHive and keep learning anywhere
Get App