Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
En este curso aprenderás todo sobre el uso de clasificadores lineales, específicamente regresión logística y máquinas de vectores soporte, con scikit-learn. Una vez que haya aprendido a aplicar estos métodos, se sumergirá en las ideas que los sustentan y descubrirá lo que realmente los hace funcionar. Al final de este curso sabrá cómo entrenar, probar y ajustar estos clasificadores lineales en Python. También tendrá una base conceptual para comprender muchos otros algoritmos de aprendizaje automático.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos del machine learning con Python
Ir a la pistaCientífico de Machine Learning con Python
Ir a la pistaAprendizaje automático supervisado en Python
Ir a la pista- 1
Aplicación de la regresión logística y SVM
GratuitoEn este capítulo aprenderá los fundamentos de la aplicación de la regresión logística y las máquinas de vectores soporte (SVMs) a los problemas de clasificación. Utilizará la biblioteca
scikit-learnpara ajustar modelos de clasificación a datos reales.actualización de scikit-learn50 xpKNN clasificación100 xpComparación de modelos50 xpSobreajuste50 xpAplicación de la regresión logística y SVM50 xpEjecución de LogisticRegression y SVC100 xpAnálisis del sentimiento en las críticas de cine100 xpClasificadores lineales50 xp¿Qué límite de decisión es lineal?50 xpVisualización de los límites de decisión100 xp - 2
Funciones de pérdida
En este capítulo descubrirá el marco conceptual de la regresión logística y SVMs. Esto le permitirá profundizar en el funcionamiento interno de estos modelos.
Clasificadores lineales: los coeficientes50 xpCómo hacen predicciones los modelos50 xpModificación de los coeficientes del modelo100 xp¿Qué es una función de pérdidas?50 xpLa derrota por 0-150 xpMinimizar una función de pérdida100 xpDiagramas de funciones de pérdida50 xpFunciones de pérdida de clasificación50 xpComparación de las pérdidas logísticas y de bisagra100 xpAplicación de la regresión logística100 xp - 3
Regresión logística
En este capítulo profundizará en los detalles de la regresión logística. Aprenderá todo sobre la regularización y cómo interpretar los resultados del modelo.
Regresión logística y regularización50 xpRegresión logística regularizada100 xpRegresión logística y selección de características100 xpIdentificar las palabras más positivas y negativas100 xpRegresión logística y probabilidades50 xpObtener probabilidades de clase50 xpRegularización y probabilidades100 xpVisualización de ejemplos fáciles y difíciles100 xpRegresión logística multiclase50 xpContar los coeficientes50 xpAjuste de la regresión logística multiclase100 xpVisualización de la regresión logística multiclase100 xpUno contra uno SVM100 xp - 4
Máquinas de vectores soporte
En este capítulo aprenderás todos los detalles de las máquinas de vectores soporte. Aprenderá a ajustar los hiperparámetros de estos modelos y a utilizar núcleos para ajustar límites de decisión no lineales.
Vectores de apoyo50 xpDefinición del vector de apoyo50 xpEfecto de la eliminación de ejemplos100 xpNúcleo SVMs50 xpGridSearchCV calentamiento100 xpAjuste conjunto de gamma y C con GridSearchCV100 xpComparación de la regresión logística y SVM (y más)50 xpUna ventaja de SVMs50 xpUna ventaja de la regresión logística50 xpUso de SGDClassifier100 xpConclusión50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos del machine learning con Python
Ir a la pistaCientífico de Machine Learning con Python
Ir a la pistaAprendizaje automático supervisado en Python
Ir a la pistaColaboradores
Audio Grabado Por
Requisitos Previos
Supervised Learning with scikit-learnMike Gelbart
Ver Mas
Instructor, the University of British Columbia
¿Qué tienen que decir otros alumnos?
¡Únete a 13 millones de estudiantes y empieza Clasificadores lineales en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.