Machine Learning Course for Beginners

De qué trata

Curso para principiantes de unas 4 horas y 20 minutos, dividido en capítulos. Empieza con una hoja de ruta de machine learning, las habilidades necesarias y las trayectorias profesionales habituales.

Después explica los fundamentos: sesgo-varianza, sobreajuste y regularización, y la teoría de la regresión lineal y logística. La segunda mitad es práctica, con un caso de regresión lineal en Python: carga y limpieza de datos, estadísticos descriptivos, visualización, detección de valores atípicos, correlaciones, división train/test con sklearn, análisis causal, comprobación de supuestos de OLS y análisis predictivo. Termina con próximos pasos y recursos.

• Sesgo-varianza, sobreajuste y regularización
• Teoría de regresión lineal y logística
• Limpieza y visualización de datos en Python
• División train/test con sklearn
• Supuestos de OLS y análisis predictivo

Para quién es este curso

• Personas que empiezan en machine learning y quieren combinar teoría básica (sesgo-varianza, regularización, regresiones) con un caso práctico en Python.
• Quien quiere entender la regresión lineal con enfoque estadístico y aplicarla paso a paso: limpieza de datos, correlaciones, supuestos de OLS y predicción.
• Estudiantes o analistas que quieren ver un proyecto completo de principio a fin con sklearn.

Qué sabrás hacer al terminar

• Entender los conceptos básicos de ML, el equilibrio sesgo-varianza y el sobreajuste con regularización.
• Explicar la teoría de la regresión lineal y de la regresión logística.
• Preparar datos en Python: carga, limpieza, estadísticos descriptivos y visualización.
• Detectar valores atípicos con el rango intercuartílico y analizar correlaciones.
• Dividir datos en train/test con sklearn y ejecutar una regresión lineal, comprobando los supuestos de OLS.

Plan de estudio sugerido

3 semanas · unas 5 h por semana

1. 1.Semana 1: capítulos 0:00 a 2:15:37. Toma notas de sesgo-varianza, regularización y las teorías de regresión.
2. 2.Semana 2: 2:15:37 a 3:14:00. Reproduce la carga, limpieza y exploración de datos en tu propio cuaderno.
3. 3.Semana 3: 3:14:00 a final. Repite la división train/test, la regresión, los supuestos de OLS y la predicción con tus propios datos.

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

• Las secciones de carreras (0:03 a 0:45) son orientativas; si tu prioridad es aprender, puedes empezar en 0:45:48.
• Sigue el caso práctico con tu propio cuaderno de Python en paralelo, pausando tras cada capítulo.
• Repite el análisis con otro conjunto de datos para comprobar que entiendes la limpieza y los supuestos de OLS.
• Revisa la teoría de regresión (1:23 a 2:15) antes de la parte práctica, ya que el caso se apoya en ella.

Antes y después de este curso

• AlternativaCURSO de MACHINE LEARNING desde CERO | (COMPLETO)Otro curso completo de machine learning desde cero, en español.
• AlternativaAprendiendo Machine Learning desde cero con Miss YeraIntroducción a machine learning desde cero en español.
• Antes de este cursoLearn Data Analysis with Python - Full CourseAyuda a manejar datos con Python antes de la parte práctica.

Cómo lo presenta Tatev Aslanyan

This machine learning course is created for beginners who are learning in 2024. The course begins with a Machine Learning Roadmap for 2024, emphasizing career paths and beginner-friendly theory. Then it the course moves on to hands-on practical applications and a comprehensive end-to-end project using Python.

✏️ Course created by Tatev Karen Aslanyan. More from Tatev here:

❤️ Try interactive AI…

Extracto de la descripción original en YouTube.

Preguntas frecuentes

Más cursos de Datos e IA