Fundamentos de Machine Learning

la ingeniería de variables es un aspecto muy importante del Machine Learning y de la Ciencia de Datos. El objetivo principal de la ingeniería de variables es obtener los mejores resultados de los algoritmos. Se hará uso de la librería Scikit-learn para realizar la ingeniería de variables básica como, por ejemplo: imputación, tratamiento de _outliers_, escalados, _encoders_, tratamiento de fechas, etc. Además de mostrar este tipo de técnicas en casos de uso de PLN (Procesamiento de Lenguaje Natural) y visión por computador.

os modelos lineales forman parte de los modelos más interpretables de Machine Learning. En este módulo se trabajarán modelos lineales aplicados a problemas de regresión y problemas de clasificación (Regresión lineal, regresión polinómica, regresión logística, etc.), y cómo evaluarlos. Además, se explicarán técnicas de optimización como el Descenso de Gradiente (_Gradient Descent_) y sus distintos tipos.

modelos ampliamente utilizados para tareas de clasificación, regresión, e incluso para problemas de detección de anomalías. En este módulo se explicará el estado del arte del modelo y se aplicará para resolver problemas de clasificación y regresión.

modelos ampliamente utilizados para tareas de clasificación y regresión, que sientan las bases de conjuntos de modelos más complejos y ampliamente utilizados en el mundo real (_Random Forest_). En este módulo se explicará el estado del arte de los distintos algoritmos y se aplicará para resolver problemas de clasificación y regresión.

en muchas ocasiones las decisiones tomadas en conjunto, son mejores a las decisiones que pueda proporcionar uno solo. Algo parecido ocurre en Machine Learning, este tipo de técnicas se llama _ensemble_ de modelos. En este módulo, discutiremos los métodos de ensamblaje más populares, incluyendo _bagging_, _boosting_, _stacking_ y algunos otros. También exploraremos los _Random Forest_.