Introducción al Machine Learning

En este módulo de introducción repasamos conceptos básicos de Machine Learning, además de configurar nuestro espacio de trabajo y aprender sobre las diferentes aplicaciones de Machine Learning.

• 1.1 - Bienvenida al curso
  6:40
• 1.2 - ¿Qué es Machine Learning y por qué los datos son importantes?
  15:41
• 1.3 - Herramientas de trabajo para Machine Learning
  12:20
• 1.4 - Explicando el proyecto del curso y los retos de cada clase
  3:13
• 1.5 - Aplicaciones del Machine Learning
  17:11

Los datos con los que se entrenará un modelo de Machine Learning, son super importantes, y aunque podemos encontrar datos en todo lado en nuestro mundo actual, es importante conocer técnicas de limpieza de datos y qué tipo de trabajo tienen los científicos de datos.

• 2.1 - ¿Dónde están los datos para entrar modelos?
  9:01
• 2.2 - ¿Cómo deben ser los datos para trabajar con Machine Learning?
  10:31
• 2.3 - Limpiando los datos con los que se entrenará nuestro modelo
  17:10
• 2.4 - ¿Qué es la ciencia de datos?
  10:42
• 2.5 - Python y R para análisis de datos (Parte 1)
  11:33
• 2.6 - Python y R para análisis de datos (Parte 2)
  7:35

Machine Learning es un área de estudio bastante amplia. En este módulo aprenderemos de sus dos tipos de clasificación que son Machine Learning Supervisado y No Supervisado además de conocer algunas librerías y frameworks que nos facilitan el trabajo de diseñar y codificar nuestro algoritmo para Machine Learning supervisado.

• 3.1 - ¿Qué tipos existen de Machine Learning?
  15:23
• 3.2 - Algoritmos de Machine Learning supervisado
  14:03
• 3.3 - Algoritmos de Machine Learning no supervisado
  7:58
• 3.4 - Herramientas para el trabajo con Machine Learning supervisado
  8:39
• 3.5 - Manos la obra: codificando algoritmos Machine Learning supervisado
  9:01

Una vez definido un modelo de Machine Learning y entrenado con los datos, es hora de evaluar su rendimiento, en este módulo aprenderemos sobre diferentes técnicas para evaluar un modelo de Machine Learning supervisado.

• 4.1 - ¿Por qué evaluar nuestro modelo de Machine Learning?
  11:33
• 4.2 - Técnicas para evaluar el modelo de Machine Learning supervisado, manos a la obra!
  10:36
• 4.3 - ¿Qué información obtenemos de la evaluación del modelo?
  7:36

En este módulo, repasamos todo lo aprendido sobre el proceso de trabajar con Machine Learning con un proyecto práctico realizado en python.

• 5.1 - Guías para el proyecto del curso
  7:11
• 5.2 - Revisando nuestro análisis de datos
  33:30
• 5.3 - Probando diferentes modelos de Machine Learning para nuestro proyecto
  11:39
• 5.4 - Evaluando nuestros modelos de Machine Learning
  4:33
• 5.5 - Palabras finales y despedida
  4:11