Clasificación - Fundamentos y Aplicaciones Prácticas

Resumen

Classification problems are one of the most common scenarios we face in data science. This course will help you understand and apply common algorithms to make predictions and drive decision-making in business.

Whether you’re an aspiring data scientist, studying analytics, or have a focus on business intelligence, this course will give you a comprehensive overview of classification problems, solutions, and interpretations. From Logistic Regression to KNN and SVM models, you’ll learn how to implement techniques in Excel and Python and how to create loops to run models in parallel.  Since model evaluation is so important, we’ll dedicate a whole chapter to interpreting model outputs with evaluation metrics and the confusion matrix.

With this, you’ll learn about false negatives, and false positives, and consider the impacts these may have on specific business scenarios. Finally, we’ll give you a brief insight into more advanced classification techniques such as feature importance, SHAP values, and PDP plots.

Upon completing this course, you will be able to:

• Distinguish between classic classification techniques including their implicit assumptions and practical use-cases • Perform simple logistic regression calculations in Excel & RegressIt • Create basic classification models in Python using statsmodels and sklearn modules • Evaluate and interpret the performance of classification model outputs and parameters Whether you’re an aspiring data scientist, studying analytics, or have a focus on business intelligence, this classification course will serve as your comprehensive introduction to this fascinating subject. You’ll learn all the key terminology to allow you to talk data science with your teams, benign implementing analysis, and understand how data science can help your business.

Programa

• Comenzando
Los problemas de clasificación son uno de los escenarios más comunes que enfrentamos en la ciencia de datos. Este curso nos ayudará a entender y aplicar algoritmos comunes para hacer predicciones y tomar decisiones en el ámbito empresarial. Desde la Regresión Logística hasta los modelos KNN y SVM, aprenderemos a implementar técnicas en Excel y Python y cómo crear bucles para ejecutar modelos en paralelo. Dado que la evaluación de modelos es tan importante, dedicaremos todo un capítulo a interpretar los resultados del modelo con métricas de evaluación y la matriz de confusión. Con esto, aprenderemos sobre falsos negativos y falsos positivos, y consideraremos los impactos que estos pueden tener en escenarios empresariales específicos. Finalmente, tendremos una breve visión de técnicas de clasificación más avanzadas, como la importancia de las características, los valores SHAP, y los gráficos PDP.
• Visión General de Clasificación
• Fundamentos de la Regresión Logística
• Algoritmos de Clasificación
• Evaluación de Modelos de Clasificación
• Conclusión del Curso
• Evaluación Calificada

Impartido por

CFI (Corporate Finance Institute)

Materias

Data Science