Modo de luzModo oscuro
MasterClass Gratis >Cómo abordar el problema de datos utilizando Python
Contenido del curso
Machine Learning for Data Science
Recursos.ipynb0 s.
Recursos.ipynb0 s.- 5 Libros de Python.ipynb0 s.
1.1. Numpy12 m. 59 s.- 1.1.1. Métodos y funcionalidades con Numpy1 h. 5 m. 16 s.
- 1.1.2. Pandas3 m. 42 s.
- 1.2. Series & Dataframes y funcionalidades1 h. 12 m. 26 s.
- 1.3. Nociones básicas de Matplotib29 m. 50 s.
- 1.4. Histograma1 m. 15 s.
- 1.5. Gráfico de Barras8 m. 47 s.
- 1.6. Gráfico Circular1 m. 42 s.
- 1.7. Mapas de Calor3 m. 38 s.
- 1.8. Gráfico Cyberpunk20 s.
- 1.9. Gráficos de Dispersión6 m. 29 s.
- 1.10. Seaborn1 m. 30 s.
- Recursos.ipynb0 s.
- Recursos.ipynb0 s.
- 2.1. Introducción a EDA40 m. 39 s.
- 2.1.1 Importando y cargando el dataset6 m. 48 s.
- 2.1.2. Eliminando columnas y simulando datos nulos29 m. 22 s.
- 2.1.3. Identificando el tipo de datos faltantes con Missingno21 m. 10 s.
- 2.2. Métodos de Imputación20 m. 33 s.
- 2.2.1. Imputar valores con Fordward y Backward5 m. 43 s.
- 2.2.2. Imputación basada en estadísticas17 m. 55 s.
- 2.2.3. Imputación con KKNImputer3 m. 41 s.
- 2.2.4. Imputación con imputador iterativo4 m. 28 s.
- 2.3. Eliminando valores duplicados2 m. 56 s.
- Recursos.ipynb0 s.
- 3. Tratamiento de Outliers14 m. 50 s.
- 3.1. Cargando datos y detectando valores atípicos36 m. 50 s.
- 3.2. Análisis univariante de los datos10 m. 51 s.
- 3.2.1. Removiendo Outliers con el método de RIC y Automatizando19 m.
- 3.3. Outliers en R_n18 m. 5 s.
- 3.3.1. Usando data sintética8 m. 36 s.
- 3.3.2. Utilizando un Dataset de problema9 m. 59 s.
- 3.4. Casos de uso EDA1 h. 25 m. 32 s.
- Recursos.ipynb0 s.
- Recursos.ipynb0 s.
- 4.1. Introducción a Machine Learning1 h. 9 m. 55 s.
- 4.2. Métodos de selección de variables & Carga Dataset5 m. 57 s.
- 4.3. Eliminación de variables con baja varianza4 m. 34 s.
- 4.4. Selección de características univariante usando SelectKbest5 m. 2 s.
- 4.5. Eliminar características altamente correlacionadas6 m. 54 s.
- 4.6. Métodos basados en la importancia18 m. 58 s.
- 4.7. Reducción de dimensionalidad PCA14 m. 39 s.
- Recursos.ipynb0 s.
- 5.1. Balanceo de datos y graficando31 m. 59 s.
- 5.2. Dataset & Funciones de ayuda & Entrenando por defecto10 m. 6 s.
- 5.3. RandomUnderSampler13 m. 56 s.
- 5.4. RandomOverSampler10 m. 47 s.
- 5.5. Desbalance en Datasets de Imágenes19 m. 46 s.
- 5.6. Escalamiento y normalización58 m. 17 s.
- 5.7. Codificando Variables LabelEncoder & Hot Encoding34 m. 35 s.
- Recursos.ipynb0 s.
- Recursos.ipynb0 s.
- 6.1. Conceptos de Algoritmo de Regresión7 m. 1 s.
- 6.2. Regresión Lineal Simple usando Sklearn y statsmodels48 m. 43 s.
- 6.3. Regresión Lineal Múltiple8 m. 22 s.
- 6.4. Teoría de Algoritmos de Regresión59 m. 47 s.
- 6.5. Otros Datasets Regresión Lineal & Ridge & Lasso20 m. 26 s.
- 6.6. Otros Datasets Regresión con Vectores de soporte, RF, XGBOOST14 m. 21 s.
- Recursos.ipynb0 s.
- Recursos.ipynb0 s.
- 9.1. Teoría de Algoritmos de Clustering1 h. 2 m. 30 s.
- 9.2. K Means Clustering19 m. 20 s.
- 9.3. Teoría Algoritmos Jerárquicos24 m. 49 s.
- 9.4. Hierarchical Clustering & K grupo óptimo14 m. 28 s.
- 9.5. Teoría de algoritmos basados en Densidad15 m. 30 s.
- 9.6. DBSCAN21 m. 57 s.