Aprendizaje Automático para el Análisis de Datos: Modelado de Clasificación

Resumen

¡Aprendizaje automático simplificado con Excel! Clasificación para análisis de datos avanzados e inteligencia de negocios (¡sin programación!) Lo que aprenderás:

- Construir habilidades fundamentales en aprendizaje automático y ciencia de datos, sin escribir códigos complejos. - Usar herramientas intuitivas y fáciles de usar como Microsoft Excel para introducir y desmitificar herramientas y técnicas de aprendizaje automático. - Enriquecer conjuntos de datos utilizando técnicas de ingeniería de características como codificación one-hot, escalado y discretización. - Predecir resultados categóricos usando modelos de clasificación como vecinos más cercanos (K-nearest neighbors), Naïve Bayes, árboles de decisión, y más. - Aplicar técnicas para seleccionar y ajustar modelos de clasificación para optimizar el rendimiento, reducir el sesgo y minimizar la deriva. - Calcular métricas como exactitud, precisión y recall para medir el rendimiento del modelo.

¡ATENCIÓN! Este curso ahora forma parte de La Guía Visual Completa de Aprendizaje Automático y Ciencia de Datos, que combina los 4 cursos de Aprendizaje Automático de Maven Analytics.

Este curso, junto con los otros cursos individuales de la serie, se retirará pronto. Si estás emocionado por explorar la Ciencia de Datos y el Aprendizaje Automático pero estás ansioso por aprender lenguajes de programación complejos o intimidado por términos como "naive bayes", "regresión logística", "KNN" y "árboles de decisión", estás en el lugar correcto.

Este curso es la PARTE 2 de una SERIE DE 4 PARTES diseñada para ayudarte a construir una fuerte y sólida comprensión del Aprendizaje Automático:

PARTE 1:

QA y Perfilado de Datos PARTE 2:

Modelado de Clasificación PARTE 3:

Regresión y Pronósticos PARTE 4:

Aprendizaje No Supervisado Este curso hace que la ciencia de datos sea accesible para las personas cotidianas y está diseñado para desmitificar poderosas herramientas y técnicas de Aprendizaje Automático sin intentar enseñarte un lenguaje de programación al mismo tiempo. En cambio, usaremos herramientas familiares y fáciles de usar como Microsoft Excel para descomponer temas complejos y ayudarte a entender exactamente CÓMO y POR QUÉ funciona el aprendizaje automático antes de que te adentres en lenguajes de programación como Python o R.

A diferencia de la mayoría de los cursos de Ciencia de Datos y Aprendizaje Automático, no escribirás NI UNA SOLA LÍNEA de código. ESQUEMA DEL CURSO:

En este curso de la Parte 2, introduciremos el panorama de aprendizaje supervisado, revisaremos el flujo de trabajo de clasificación y abordaremos temas clave como variables dependientes vs. independientes, ingeniería de características, división de datos y sobreajuste.

De allí revisaremos modelos de clasificación comunes incluyendo Vecinos más Cercanos (KNN), Naïve Bayes, Árboles de Decisión, Bosques Aleatorios, Regresión Logística y Análisis de Sentimiento, y compartiremos consejos para la puntuación del modelo, selección y optimización. Sección 1:

Introducción a la Clasificación - Panorama de Aprendizaje Supervisado - Flujo de trabajo de Clasificación - Ingeniería de características - División de datos - Sobreajuste y Subajuste Sección 2:

Modelos de Clasificación - Vecinos Más Cercanos - Naïve Bayes - Árboles de Decisión - Bosques Aleatorios - Regresión Logística - Análisis de Sentimiento Sección 3:

Selección y Ajuste de Modelos - Ajuste de hiperparámetros - Clases desbalanceadas - Matrices de confusión - Exactitud, Precisión y Recall - Selección y deriva del modelo A lo largo del curso, introduciremos estudios de caso para solidificar conceptos clave y relacionarlos con escenarios del mundo real.

Ayudarás a construir un motor de recomendaciones para Spotify, analizarás el comportamiento de compra del cliente para una tienda minorista, predecirás suscripciones para una empresa de viajes, extraerás sentimiento de las reseñas de clientes, ¡y mucho más! Si estás listo para construir la base para una exitosa carrera en Ciencia de Datos, este es el curso para ti. __________ ¡Únete hoy y obtén acceso inmediato y de por vida a lo siguiente! - Video de alta calidad y bajo demanda - Ebook de Aprendizaje Automático:

Clasificación - Archivo de proyecto de Excel descargable - Foro de Expertos de Preguntas y Respuestas - Garantía de devolución de dinero de 30 días ¡Feliz aprendizaje! - Josh M. (Instructor Principal de Aprendizaje Automático, Maven Analytics) __________ ¿Buscas nuestra pila completa de inteligencia de negocios?

Busca "Maven Analytics" para explorar nuestra biblioteca completa de cursos, incluyendo cursos de Excel, Power BI, MySQL y Tableau. ¡Ve por qué nuestros cursos están entre los MEJOR CALIFICADOS en Udemy! "Algunos de los MEJORES cursos que he tomado.

He estudiado varios lenguajes de programación, Excel, VBA y desarrollo web, y Maven está entre lo mejor que he visto!" Russ C. "Este es mi cuarto curso de Maven Analytics y mi cuarta reseña de 5 estrellas, así que me estoy quedando sin cosas que decir. ¡Desearía que Maven hubiera estado en mi vida antes!" Tatsiana M. "Maven Analytics debería convertirse en el nuevo estándar para todos los cursos que se enseñan en Udemy!" Jonah M.

Programa de estudio

• Introducción a la Clasificación
Visión general de la Clasificación en el Aprendizaje Automático
Diferencias entre Clasificación y Regresión
• Preparación de Datos para Clasificación
Técnicas de Preprocesamiento de Datos
Manejo de Valores Faltantes
Escalado y Transformación de Características
Desbalance de Clases y Métodos de Remuestreo
• Comprensión de Algoritmos de Clasificación
Árboles de Decisión
Vecinos Más Cercanos (k-NN)
Máquinas de Vectores de Soporte (SVM)
Regresión Logística
Naive Bayes
Redes Neuronales y Aprendizaje Profundo para Clasificación
• Técnicas Avanzadas de Clasificación
Métodos de Ensamble: Bagging, Boosting y Bosque Aleatorio
Máquinas de Aumento de Gradiente (GBM) y XGBoost
• Evaluación de Modelos y Métricas de Rendimiento
Matriz de Confusión
Precisión, Recall y Puntaje F1
Curva ROC y AUC
Validación Cruzada
• Selección de Características y Reducción de Dimensionalidad
Análisis de Componentes Principales (PCA)
Importancia de Características
• Implementación de Modelos de Clasificación
Uso de Python para Aprendizaje Automático
Biblioteca Scikit-learn para Clasificación
Entrenamiento y Prueba de Modelos
• Aplicaciones del Mundo Real de la Clasificación
Aplicación en Finanzas, Cuidado de la Salud y Marketing
Estudios de Caso
• Mejores Prácticas y Consejos para Proyectos de Clasificación
Manejo del Overfitting y Underfitting
Ajuste de Hiperparámetros
• Tendencias Futuras y Direcciones de Investigación
IA Explicable e Interpretabilidad en Clasificación
Avances Recientes en Algoritmos de Clasificación
• Proyecto Final
Diseño e Implementación de un Modelo de Clasificación para un Conjunto de Datos del Mundo Real

---

Enseñado por

Maven Analytics and Joshua MacCarty

---

Asignaturas

Ciencia de Datos