Métodos de aprendizaje automático supervisado

Name: Métodos de aprendizaje automático supervisado
Author: Gabriel Popoola

En este capítulo aprenderá sobre conceptos y técnicas de aprendizaje supervisado. Abarcará la regresión lineal y logística. Aprenderá sobre las máquinas de…

Preview the first lesson free — get full access to all 4 lessons.

Solicitar una demo Iniciar sesión

Curso: bajo demanda

Bienvenido al curso de Knowledge City sobre aprendizaje automático, métodos de aprendizaje automático supervisado. En estas lecciones, aprenderá acerca de lineal y regresión logística, máquinas de vectores de soporte, árboles de decisión y random forest, y redes neuronales. Esta lección será sobre regresión lineal y logística. Durante esta lección, aprenderá qué es la regresión lineal, que es la regresion logistica ¿Cómo se utilizan la regresión lineal y logística? y ¿cómo se implementan la regresión lineal y logística? ¿Qué es la regresión lineal? La regresión lineal es una de las más básicas. algoritmos de aprendizaje automático utilizado para predecir una variable continua. En regresión lineal simple, hay una variable independiente que se usa para predecir la variable dependiente. Y en regresión lineal múltiple, se utilizan múltiples variables dependientes para predecir la variable dependiente. Algunos usos incluyen estadísticas, evaluación de tendencias, y evaluación de la eficacia del marketing. ¿Qué es la regresión logística? La regresión logística es muy popular. técnica de aprendizaje automático supervisado que se utiliza típicamente para problemas de clasificación. Utiliza múltiples variables independientes para predecir una clase. utilizando la estimación de máxima verosimilitud. La regresión logística se utiliza mejor para problemas de clasificación binaria, aunque no está completamente restringido a esta categoría de problemas. Algunos usos incluyen filtros de spam, identificar si un tumor es benigno o maligno, y predecir la probabilidad de que ocurra un evento. Ahora, vamos a entrar en cuán lineal y la regresión logística se implementan en Python. Así que estas implementaciones, usaremos el paquete scikit-learn, que contiene una vez más una amplia variedad de aprendizaje automático supervisado y no supervisado, implementaciones de modelos y algoritmos. Y es un muy buen lugar para empezar si solo te estás metiendo en el aprendizaje automático. Para que puedas probar algunos de los modelos más simples y básicos. antes de sumergirse en los más complejos. Entonces, la regresión lineal está usando el conjunto de datos de diabetes. Como puedes ver aquí, el error absoluto medio para eso es alrededor de 41, lo que significa que, en promedio, cada vez que se hace una predicción, la solución está a unos 41 puntos. Esto, por supuesto, es malo, pero en este caso, no necesariamente importa porque el propósito de esto es solo mostrar lo fácil que es implementar un modelo de regresión lineal. Y ya sabes, por supuesto, hay conjuntos de datos por ahí donde la regresión funcionaría mucho mejor. Pero este conjunto de datos de diabetes es uno de los conjuntos de datos de regresión más complejos. A continuación, vamos a pasar a la regresión logística. Esto está utilizando el conjunto de datos de cáncer de mama. Y como puede ver aquí, la precisión es de alrededor del 94%, lo cual es bastante bueno. Por supuesto, hay clasificadores. que puede funcionar significativamente mejor, pero el 94% definitivamente no es un resultado de mala precisión, especialmente para tan simple y un modelo de aprendizaje automático explicable como este. Esto concluye esta lección, ya continuación, hablaremos sobre las máquinas de vectores de soporte. Gracias.

Principiante Proveedor : Gabriel Popoola 4 lecciones · 15m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Urdu, Chinese

Descripción del curso

En este capítulo aprenderá sobre conceptos y técnicas de aprendizaje supervisado. Abarcará la regresión lineal y logística. Aprenderá sobre las máquinas de vectores de soporte y sus usos. Este capítulo también cubre árboles de decisión, bosques aleatorios, aprendizaje de conjuntos y cómo se relacionan todos. También se discute en este capítulo las redes neuronales.

Objetivos de aprendizaje:

Habilidades:

Lo que aprenderás

Aplicar regresión lineal y logística como técnicas de aprendizaje supervisado
Utilizar máquinas de vectores de soporte y comprender sus usos
Construir árboles de decisión y bosques aleatorios y cómo se relacionan
Explorar aprendizaje en conjunto y los beneficios de los conjuntos sobre clasificadores básicos individuales
Comprender redes neuronales dentro del aprendizaje automático supervisado

Puntos clave

Este capítulo cubre conceptos y técnicas de aprendizaje supervisado, incluida la regresión lineal y logística.
Se discuten máquinas de vectores de soporte y sus usos junto con árboles de decisión y bosques aleatorios.
El capítulo explica árboles de decisión, bosques aleatorios y aprendizaje en conjunto y cómo se relacionan todos entre sí.
Destaca los beneficios de los conjuntos sobre clasificadores básicos individuales.
Las redes neuronales también se discuten dentro del alcance del aprendizaje automático supervisado.

Preguntas frecuentes

¿Qué técnicas de aprendizaje automático supervisado cubre este capítulo?

Cubre regresión lineal y logística, máquinas de vectores de soporte, árboles de decisión, bosques aleatorios, aprendizaje en conjunto y redes neuronales.

¿Qué aprenderé sobre conjuntos en este curso?

Aprenderá sobre aprendizaje en conjunto y los beneficios de los conjuntos sobre clasificadores básicos individuales, y cómo árboles de decisión, bosques aleatorios y aprendizaje en conjunto se relacionan entre sí.

¿En qué habilidades se enfoca este curso?

Se enfoca en aprendizaje supervisado, algoritmos de aprendizaje automático y métodos, métodos de minería de datos y aprendizaje de árboles de decisión.

¿Están incluidas las redes neuronales en este capítulo?

Sí, las redes neuronales se discuten en este capítulo.