¿Buscas convertirte en un experto en la resolución de problemas de la vida real utilizando diferentes algoritmos de clasificación en Python? Este curso te dará la capacidad de interpretar los resultados de un modelo de regresión logística en Python. Podrás utilizar estos resultados al tomar decisiones estratégicas en tu organización. Obtén información sobre los métodos de dispersión, que te ayudarán a comprender la propagación de un conjunto de datos, a saber, el rango, la desviación estándar y la varianza. Descubre que al comparar centros, la media no siempre es la mejor medida de tendencia central, ya que los valores atípicos la influyen en gran medida, que es la razón principal por la que se prefiere la mediana a la media. Se te enseñará sobre las ventajas de usar la moda para medir centros, incluyendo el hecho de que se puede calcular tanto para datos cuantitativos como cualitativos, y que la media y la mediana solo se pueden usar para datos cuantitativos. El curso también te presentará las principales librerías de Python, que son Pandas, NumPy y Seaborn.

Descubre los primeros pasos clave en la construcción de un modelo de aprendizaje automático, donde conviertes tu problema de negocio en un problema estadístico, defines las variables dependientes e independientes e identificas si deseas predecir o inferir. Aprenderás sobre los datos de entrenamiento y los datos de prueba, donde los datos de entrenamiento se refieren a la información utilizada para entrenar un algoritmo y los datos de prueba incluyen solo los datos de entrada y se utilizan para acceder a la precisión del modelo creado o la función predictora hecha usando los datos de entrenamiento. Descubre la importancia de manejar los valores perdidos en los datos del mundo real y la importancia de gestionarlos adecuadamente, ya que muchos algoritmos de aprendizaje automático no admiten conjuntos de datos con valores perdidos. Luego estudiarás los métodos más comunes para imputar valores perdidos, que son la imputación basada en segmentos, la imputación con cero y la imputación con la mediana, la media o la moda.

A continuación, aprenderás sobre la técnica de análisis discriminante lineal, que se basa en el teorema de Bayes, como el método preferido cuando la variable de respuesta tiene más de dos clases. Descubre cómo, con un conjunto dado de valores predictores, puedes usar esta técnica para calcular la probabilidad de que una observación particular pertenezca a cada grupo y asignar el grupo con la probabilidad más alta a esa observación. Luego identificarás los inconvenientes de la técnica de k-vecinos más cercanos, incluyendo que no menciona la relación de cada variable y la variable de respuesta. Finalmente, aprenderás a interpretar los resultados de los modelos de clasificación, a crear una matriz de confusión en Python, a evaluar el rendimiento del modelo y a crear variables ficticias en Python. Este curso será de interés para científicos de datos, ejecutivos o estudiantes interesados en aprender sobre técnicas de clasificación. ¿Por qué esperar? Comienza este curso hoy y conviértete en un experto en modelos de clasificación y resolución de problemas.