3.01 - Flujo de trabajo de Machine Learning Video 10mins
Explicamos el flujo de trabajo general que se realiza al desarrollar modelos de Machine Learning.
3.02 - Calibración de un modelo 1D Video 20mins
Describimos el proceso de calibración manual y analítica de un modelo muy sencillo .
3.03 - Calibración con datos y fronteras de clasificación Video 25mins
Realizamos el proceso de calibración con datos, introducimos el concepto de frontera bayesiana y aumentamos la complejidad del ejemplo, generando fronteras de clasificación en 2D.
3.04 - Complejidad de los datos vs complejidad de los modelos Video 22mins
Vemos cómo usamos los hiperparámetros de distintos algoritmos para regular complejidad de las fronteras generadas por los modelos y cómo podemos desarrollar algunas pistas sobre su relación con la complejidad de los datos.
3.05 - Métricas de desempeño Video 24mins
Mostramos algunas métricas para medir el desempeño de los modelos y explicamos la relación con las métricas de negocio.
3.06 - Algoritmos supervisados. Clasificación lineal Video 22mins
Explicamos cómo usar la regresión logística en Python.
3.07 - Algoritmos supervisados. Árboles y bosques de decisión Video 17mins
Mostramos la intuición detrás de los árboles de decisión y los random forests, y cómo usarlos.
3.08 - Algoritmos supervisados. Naive Bayes Video 10mins
Mostramos la intuición detrás de los clasificadores gausianos, y cómo usarlos.
3.09 - Algoritmos supervisados. Support Vector Machines Video 12mins
Explicamos la idea de transformación de características y la intuición y utilización de las máquinas de soporte vectorial para clasificación.
LAB 03.01 - MODEL GENERATION Video 16mins
Desarrollamos un algoritmo muy sencillo para calibrar un modelo lineal.
LAB 03.02 - TIME SERIES MODEL Video 16mins
Creamos un dataset desde una serie temporal, aplicamos un modelo de regresión lineal y medimos su desempeño.