Ciencia de Datos y Aprendizaje Automático: Naive Bayes en Python

Resumen

En este curso autodidacta, aprenderás a aplicar Naive Bayes a muchos conjuntos de datos del mundo real en una amplia variedad de áreas, tales como:

Programa de estudio

• Introducción a Naive Bayes
Visión general del algoritmo de Naive Bayes
Aplicaciones de Naive Bayes en escenarios del mundo real
• Fundamentos de Probabilidad
Conceptos básicos de la teoría de probabilidad
Comprensión de probabilidades condicionales
• El Clasificador Naive Bayes
Suposiciones detrás de Naive Bayes
Tipos de clasificadores Naive Bayes
Ventajas y desventajas
• Implementación de Naive Bayes en Python
Configuración de su entorno Python
Importación de bibliotecas necesarias (por ejemplo, NumPy, pandas, scikit-learn)
Escribir un clasificador Naive Bayes simple desde cero
• Clasificación de Texto con Naive Bayes
Preprocesamiento de datos de texto
Implementación de Naive Bayes multinomial para clasificación de texto
Estudio de caso: Detección de spam
• Naive Bayes para Características Continuas
Gaussiano Naive Bayes
Aplicación a datos del mundo real (por ejemplo, el conjunto de datos Iris)
• Evaluación del Rendimiento del Modelo
Matriz de confusión
Precisión, recordación y puntuación F1
Técnicas de validación cruzada
• Temas Avanzados y Variantes
Bernoulli Naive Bayes
Naive Bayes complementario
Manejo de datos faltantes
• Proyectos Prácticos y Estudios de Caso
Estudio de caso: Análisis de sentimiento en publicaciones de redes sociales
Proyecto: Predicción del comportamiento del cliente en comercio electrónico
• Resumen del Curso y Próximos Pasos
Resumen de conceptos clave
Lecturas y recursos adicionales
Temas avanzados en aprendizaje automático y ciencia de datos

---

Enseñado por

Lazy Programmer Inc. and Lazy Programmer Team

---

Asignaturas

Ciencia de datos