Machine Learning: Python para Data Science

Temario

• Parte 1 - Preprocesamiento de datos
• Parte 2 - Regresión: Regresión Lineal Simple, Regresión Lineal Múltiple, Regresión Polinomial, SVR, Regresión en Árboles de Decisión y Regresión con Bosques Aleatorios
• Parte 3 - Clasificación: Regresión Logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación con Árboles de Decisión y Clasificación con Bosques Aleatorios
• Parte 4 - Clustering: K-Means, Clustering Jerárquico
• Parte 5 - Aprendizaje por Reglas de Asociación: Apriori, Eclat
• Parte 6 - Reinforcement Learning: Límite de Confianza Superior, Muestreo Thompson
• Parte 7 - Procesamiento Natural del Lenguaje: Modelo de Bag-of-words y algoritmos de NLP
• Parte 8 - Deep Learning: Redes Neuronales Artificiales y Redes Neuronales Convolucionales
• Parte 9 - Reducción de la dimensión: ACP, LDA, Kernel ACP
• Parte 10 - Selección de Modelos & Boosting: k-fold Cross Validation, Ajuste de Parámetros, Grid Search, XGBoost