CURSO de MACHINE LEARNING desde CERO | (COMPLETO)

De qué trata

Curso de más de cinco horas que introduce el machine learning con scikit-learn y se organiza en dos grandes bloques. El primero trata la regresión: lineal simple y múltiple, polinómica, SVR y árboles con bosques aleatorios, e incluye un caso práctico con precios de viviendas de California.

El segundo bloque se centra en la clasificación: introduce los algoritmos y recorre regresión logística, K-NN, máquina de soporte para clasificación, Naive Bayes y árboles con bosques aleatorios. Está dividido en 12 capítulos con marcas de tiempo.

• Regresión lineal simple, múltiple y polinómica
• SVR y regresión con árboles y bosques aleatorios
• Proyecto California House Price
• Clasificación: regresión logística, K-NN, SVC y Naive Bayes
• Uso de scikit-learn

Para quién es este curso

• Personas que empiezan en machine learning y quieren una visión práctica de los algoritmos clásicos de regresión y clasificación.
• Estudiantes o analistas de datos que quieren aprender a usar scikit-learn con ejemplos en español.
• Quien busca comparar distintos algoritmos y entender en qué se diferencian entre sí.

Qué sabrás hacer al terminar

• Distinguir entre algoritmos de regresión y de clasificación y saber cuándo aplicar cada uno.
• Usar scikit-learn para entrenar modelos de regresión lineal, polinómica, SVR y con árboles y bosques aleatorios.
• Aplicar clasificadores como regresión logística, K-NN, SVC, Naive Bayes y árboles con bosques aleatorios.
• Trabajar con un caso práctico de predicción de precios de viviendas (California House Price).

Plan de estudio sugerido

4 semanas · unas 5 h por semana

1. 1.Semana 1: introducción, regresión lineal y polinómica (0:00–1:17:43); reproduce el código.
2. 2.Semana 2: SVR y California House Price (1:17:43–2:48:45); intenta variar el preprocesado.
3. 3.Semana 3: árboles y bosques en regresión, y algoritmos de clasificación con regresión logística (2:48:45–4:09:27).
4. 4.Semana 4: K-NN, SVC, Naive Bayes y árboles en clasificación (4:09:27–final); compara resultados entre modelos.

El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.

Consejos para seguirlo

• Sigue el vídeo con un entorno de Python y scikit-learn abierto y escribe el código tú mismo en lugar de solo verlo.
• Dedica varias sesiones al bloque de California House Price: es el más largo y el más práctico.
• Al terminar cada algoritmo de clasificación, prueba a aplicarlo al mismo conjunto de datos y compara resultados.
• Usa los capítulos para retomar el curso por bloques sin perder el hilo.

Antes y después de este curso

• AlternativaAprendiendo Machine Learning desde cero con Miss YeraTambién introduce el machine learning desde cero en español, con otro enfoque.
• AlternativaMachine Learning Course for BeginnersCurso introductorio de machine learning en inglés que cubre terreno similar.
• Antes de este cursoLearn Data Analysis with Python - Full CourseAyuda a asentar el trabajo con datos en Python antes de modelar.

Cómo lo presenta Adrian Cancino

En este curso aprenderás sobre machine learning, el objetivo es aprender los distintos algoritmos de regresión y clasificación que existen y verás la diferencia que tiene cada uno de ellos. En el video usaremos scikit-learn, la cual es la librería más popular en esta área de la inteligencia artificial.

Se comenzarán a por los algoritmos de regresión, que son aquellos que nos permiten predecir…

Extracto de la descripción original en YouTube.

Preguntas frecuentes

Más cursos de Datos e IA