Máster Especialista en Machine Learning Ensemble con Python
Date:
Acceda a un cupón de descuento aquí
Datos del curso
Máster Especialista en Machine Learning Ensemble con Python.
Modelos Ensemblados en Machine Learning. Bagging, Boosting y Stacking. Aprendizaje Automático. Data Science con Python.
Instructor: PhD. Manuel Castillo.
Calificación: ⭐⭐⭐⭐⭐
Requisitos previos: Antes de realizar el curso se recomienda encarecidamente tener conocimientos sobre Deep Learning. Este es el curso continuación de:
- Máster de especialista en Ciencia de Datos con Python. Aprenda a desarrollar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto
Descripción del Curso:
Bienvenido al curso Máster Especialista en Machine Learning Ensemble con Python. Este curso avanzado está diseñado para estudiantes y profesionales que desean profundizar en el mundo de los modelos ensemble en el contexto del machine learning utilizando Python. Los modelos ensemble, que combinan las predicciones de múltiples modelos de machine learning para mejorar el rendimiento predictivo, son una técnica poderosa y ampliamente utilizada en la industria.
Durante este curso, los participantes explorarán los fundamentos teóricos y prácticos de los modelos ensemble, incluyendo bagging, boosting y stacking. Se pondrá un énfasis particular en la implementación práctica utilizando bibliotecas populares como scikit-learn y XGBoost.
Los estudiantes aprenderán a seleccionar y ajustar hiperparámetros de modelos ensemble para optimizar su rendimiento, así como a evaluar el rendimiento de estos modelos utilizando métricas estándar y técnicas de validación cruzada.
Además, el curso proporcionará oportunidades para aplicar modelos ensemble a una variedad de problemas de machine learning, incluyendo clasificación y regresión, y explorará casos de uso reales en diferentes industrias.
Los participantes también tendrán la oportunidad de trabajar en proyectos prácticos y estudios de casos que les permitirán desarrollar habilidades prácticas para implementar soluciones de machine learning basadas en modelos ensemble en entornos del mundo real.
Contenidos del Curso:
- MÓDULO I. Introducción.
- Conceptos básicos de machine learning.
- Jupyter Notebook como nuestro entorno de machine learning.
- Curso rápido de Python.
- MÓDULO II. Fase de modelado
- Algoritmos de Machine Learning.
- Rendimiento de los algoritmos.
- Algoritmos Taxonomía Lineal y No Lineal
- Algoritmos Taxonomía Ensamble
- Examen tipo test sobre los contenidos del módulo.
- MÓDULO III. Proyectos de machine learning
- Trabajar un proyecto de clasificación multiclase
- Trabajar un proyecto de regresión.
- Trabajar un proyecto de clasificación binaria.
- MÓDULO IV. Modelos Ensemble Múltiples
- One-vs-Rest.
- Códigos de salida con corrección de errores.
- Modelos de regresión de múltiples salidas.
- Selección de clasificador dinámico.
- Seleccion dinamica de ensembles
- MÓDULO V. Modelos Ensemble Bagging
- Bagging.
- Random Subspace.
- Feature Selection Subspace.
- Random Forest.
- ExtraTrees.
- Data Transform Bagging.
- MÓDULO VI. Modelos Ensemble Boosting
- AdaBoost
- Gradient Boost Machine
- XGBoost
- LightGBM
- MÓDULO VII. Modelos Ensemble Stacking
- Voting
- Weighted Average
- seleccion Miembros Conjunto
- Stacking
- Blending
- Super Learner
- MÓDULO VIII. Aprendizaje No Supervisado
- Aprendizaje No supervisado.
- Algoritmos de Aprendizaje No Supervisado.
- Determinar el número óptimo de clústers.
- Proyecto de Aprendizaje No Supervisado.