Marchine Learning: Data Science en Python:
Índice de la página:
Datos.
-------------------------------------------------------------------------------
Datos:
Este curso es de Juan Gabriel Gomilla Salas, y ha creado una web para comunicarnos los alumnos, y otros muchos complementos. Los datos para la web son:
Correo: melgon55@gmail.com
Contraseña: 936916607
ÍNDICE DEL CURSO:
Sección 1: Introducción
Sección 2: Instalando nuestras herramientas de trabajo.
Sección 3: Una introducción al análisis predictivo y al Machine Learning.
Sección 4: Limpieza de Datos.
Sección 5: Operaciones de manejo de Datos.
38. Data Wrangling
39. Una chuleta de pandas para Data Wrangling
40. Fe de erratas
41. Buscar un subconjunto de datos de un dataset
42. Filtrados alternativos
43. Subconjuntos de filas con ciertas condiciones
44. Subconjuntos con loc e iloc y creación de nuevas
45. Generar números aleatorios
46. La semilla de la generación aleatoria
47. Funciones de distribución de probabilidades
48. La distribución uniforme
49. La distribución Normal
50. El método de la simulación de Monte-Carlo para encontrar el valor de Pi
51. Generando dummy data frames
52. Un dummy data frame con variables categóricas
53. Agrupación de los datos por categorías
54. Agregación de datos
55. Filtrado, Transformación y otras operaciones útiles
56. Conjunto de entrenamiento y de testing
57. Actualización: cómo dividir conjunto de entrenamiento y test58. Muestreo aleatorio: cómo dividir un dataset en conjunto de entreno y validación
59. Concatenar dos datasets por filas
60. Carga de cientos de datos distribuidos
61. Ejercicio: el data set de los juegos olímpicos
62. Concatenar los datos con merge
63. Formas de cruzar tablas con joins (00:14)
Nos comenta los 3 tipos de joins que existen. Ver imágenes en la celda del notebook, con la librería
"Image". Importarla from IPython.display import Image
Nos comenta los 3 tipos de joins que existen. Ver imágenes en la celda del notebook, con la librería
"Image". Importarla from IPython.display import Image
64. Eliminar datos de datasets con restricciones de conjunto
65. Ejemplos de joins con Python
66. Ya conoces las bases del manejo de datos
Hace un resumen de toda la Sección
Hace un resumen de toda la Sección
67. ¿Te gusta el curso? ¡Valóralo y cuéntanos tu opinión!
Sección 6: Conceptos básicos de estadística para la modelización predictiva.
68. Los conceptos fundamentales de estadística
Nos hace un resumen de lo que veremos en esta sección.
69. Un resumen de los estadísticos básicos (en R)
70. El resumen de estadísticos en Python (propuesta de un estudiante)
71. Muestreo aleatorio y el teorema central del límite
72. Los contrastes de hipótesis
73. Cómo hacer un contraste de hipótesis pasa a paso
74. Test de la chi cuadrado
75. Correlación entre variables
Da un ejemplo en Python de correlación de varias columnas
76. Un resumen de lo aprendido
Sección 7: Regresión lineal con Python.
77. La regresión lineal
78. Las matemáticas tras una regresión lineal
79. Demostración de la obtención de los parámetros del modelo lineal
80. Errores normalmente distribuidos
81. Sumas de los cuadrados totales, de las diferencias y de la regresión
82. Ejercicio demostrar que SST = SSR + SSD
83. Encontrando los coeficientes óptimos de la regresión
84. Interpretar los parámetros de la regresión
85. Implementar una regresión lineal con Python
86. Regresión lineal múltiple
87. El problema de la multicolinealidad
88. Validando nuestro modelo
89. El resumen de todos los modelos lineales creados
90. Regresión lineal con scikit-learn
91. Modelos lineales con variables categóricas
92. Variables categóricas en una regresión lineal
93. Otra forma más simple de calcular las predicciones
94. Enmascarado de variables categóricas redundantes
95. Transformar las variables en relaciones no lineales
96. El problema de los outliers
97. Otros problemas y consideraciones de la regresión lineal
98. Un resumen de la regresión lineal
68. Los conceptos fundamentales de estadística
Nos hace un resumen de lo que veremos en esta sección.
69. Un resumen de los estadísticos básicos (en R)
70. El resumen de estadísticos en Python (propuesta de un estudiante)
71. Muestreo aleatorio y el teorema central del límite
72. Los contrastes de hipótesis
73. Cómo hacer un contraste de hipótesis pasa a paso
74. Test de la chi cuadrado
75. Correlación entre variables
Da un ejemplo en Python de correlación de varias columnas
76. Un resumen de lo aprendido
Sección 7: Regresión lineal con Python.
77. La regresión lineal
78. Las matemáticas tras una regresión lineal
79. Demostración de la obtención de los parámetros del modelo lineal
80. Errores normalmente distribuidos
81. Sumas de los cuadrados totales, de las diferencias y de la regresión
82. Ejercicio demostrar que SST = SSR + SSD
83. Encontrando los coeficientes óptimos de la regresión
84. Interpretar los parámetros de la regresión
85. Implementar una regresión lineal con Python
86. Regresión lineal múltiple
87. El problema de la multicolinealidad
88. Validando nuestro modelo
89. El resumen de todos los modelos lineales creados
90. Regresión lineal con scikit-learn
91. Modelos lineales con variables categóricas
92. Variables categóricas en una regresión lineal
93. Otra forma más simple de calcular las predicciones
94. Enmascarado de variables categóricas redundantes
95. Transformar las variables en relaciones no lineales
96. El problema de los outliers
97. Otros problemas y consideraciones de la regresión lineal
98. Un resumen de la regresión lineal
Sección 8: Regresión logística con Python.
99. La regresión logística con Python
100. Regresión lineal vs regresión logística
101. Las matemáticas detrás de la regresión logística
102. Probabilidades condicionadas
103. Cociente de probabilidades
104. De la regresión lineal a la logística
105. Estimación con el método de máxima verosimilitud
106. Crear un modelo logístico desde cero
107. Análisis exploratorio de los datos
108. La selección de variables del dataset para el modelo
109. Implementar una regresión logística con Python
110. Validación del modelo y evaluación del mismo
111. La validación cruzada
112. Validación cruzada con Python
113. Las matrices de confusión y las curvas ROC
114. Implementación de las curvas ROC en Python
115. Resumen de la regresión logística
99. La regresión logística con Python
100. Regresión lineal vs regresión logística
101. Las matemáticas detrás de la regresión logística
102. Probabilidades condicionadas
103. Cociente de probabilidades
104. De la regresión lineal a la logística
105. Estimación con el método de máxima verosimilitud
106. Crear un modelo logístico desde cero
107. Análisis exploratorio de los datos
108. La selección de variables del dataset para el modelo
109. Implementar una regresión logística con Python
110. Validación del modelo y evaluación del mismo
111. La validación cruzada
112. Validación cruzada con Python
113. Las matrices de confusión y las curvas ROC
114. Implementación de las curvas ROC en Python
115. Resumen de la regresión logística
Sección 9: Clustering y clasificación.
116. Clustering
116. Clustering