Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Continúa tu aprendizaje de machine learning adentrándote en el fantástico mundo de los métodos de ensemble. Son una clase apasionante de técnicas de machine learning que combinan varios algoritmos individuales para mejorar el rendimiento y resolver problemas complejos a gran escala en distintos sectores. ¡Las técnicas de ensemble también suelen ganar competiciones online de machine learning!
En este curso aprenderás a fondo estas técnicas avanzadas, como bagging, boosting y stacking. Las aplicarás a conjuntos de datos reales usando bibliotecas punteras de machine learning en Python como scikit-learn, XGBoost, CatBoost y mlxtend.
Requisitos previos
Programa de formación
Esquema del curso
1
Combinación de múltiples modelos
¿Te cuesta decidir cuál de los modelos que has creado es el mejor para tu problema? Mejor deja de intentarlo y ¡úsalos todos! En este capítulo aprenderás a combinar varios modelos en uno usando "Voting" y "Averaging". Los utilizarás para predecir las valoraciones de apps en Google Play Store, si un Pokémon es legendario o no, y qué personajes van a morir en Game of Thrones.
- Introducción a los métodos de conjunto50 XP
- Explora los datos de apps de Google50 XP
- Predecir la valoración de una app100 XP
- Votación50 XP
- Elegir el mejor modelo100 XP
- Montar tu primer ensemble100 XP
- Evaluar tu ensamblado100 XP
- Promediado50 XP
- Viaje a Poniente50 XP
- Predecir muertes en GoT100 XP
- Votación soft vs. hard100 XP
2
Bagging
Bagging es el método de ensemble detrás de potentes algoritmos de machine learning como los random forests. En este capítulo aprenderás la teoría de esta técnica y crearás tus propios modelos de bagging con scikit-learn.
3
Boosting
Boosting es una familia de algoritmos de ensemble que incluye modelos galardonados como AdaBoost. En este capítulo aprenderás sobre este modelo premiado y lo usarás para predecir la recaudación de películas premiadas. También verás algoritmos de gradient boosting como CatBoost y XGBoost.
4
Stacking
¡Prepárate para ver cómo se apilan las cosas! En este capítulo final aprenderás el método de ensemble stacking. Verás cómo implementarlo con scikit-learn y también con la biblioteca mlxtend. Aplicarás stacking para predecir la comestibilidad de setas norteamericanas y retomarás las valoraciones de apps de Google con este enfoque más avanzado.
Ensemble Methods in Python
Curso
completado
