A2 Capacitacion

1- Introducción

2- Panorama de Machine learning

2a- Aprendizaje Supervisado y No Supervisado

2b.- Aprendizaje Supervisado y No Supervisado

3- Aprendizaje Batch y Aprendizaje Online

4- Aprendizaje basado en instancias y Basado en Modelos

5- Retos principales de Machine Learning

6- Testeo, Validacion e Hiperparametros

1- Introducción

2- Trabajar con Datos de la Vida Real

3- Ver el panorama completo

4, 5 y 6- Panorama Completo - El modelo

7- Validar los Supuestos

8-Obtener los Datos

9-Un vistazo Rápido 1 - Merge e Info

10- Un vistazo Rápido 2 - Análisis de Datos

11-Crear un Set de Prueba y Entrenamiento 1

12 Crear un Set de Prueba y Entrenamiento 2

13-Crear un Set de Prueba y Entrenamiento 3

14-Crear un Set de Prueba y Entrenamiento 4

15-Geopandas 1

16-Geopandas 2

17-Geopandas 3

18-Geopandas 4

19-Geopandas 5

20-Geopandas 6

21-Correlaciones

22-Combinar Variables para Correlacion

23-Separar Etiquetas y Datos de Entrenamiento

24-Rellenar Datos vacios con Pandas

25-Rellenar Datos vacios con Simple Imputer

26-Armate el Ordinal Encoder

27-One Hot Encoding

28-Escalar Datos

29-Column Transform

30-Pipeline

31-Ajustar el modelo y errores iniciales

32-Calcular RMSE

33-Arbol de Decision

34-K-Fold Cross Validation

35-Random Forest

36-Grid Search

37-Set de Prueba

38-Conclusiones

1- Introducción

2- Cargar los Datos

3- Análisis de una sola

4-Análisis de variables vs Medicamento

5-LImpieza de Datos y Train Test Split

6- Precisión y Recall

7- Modelo de Clasificación Binario

8- Matriz de confusion

9-Medidas de Desempeño - Medir Accuracy

10- Crear Matriz de Confusión

11- Como medir Precisión y Recall

12-Umbral de Precisión y Recall

13-Curva ROC

14- Clasificación Multiclase

15- Analisis de Errores y Final

1- Introducción

2- Regresión Lineal

3- La ecuación Normal

4- Complejidad Computacional

5- Decenso del Gradiente - Básico

6- Decenso del Gradiente - Con su Derivada

7- Decenso del Gradiente - Batch

8- SGD

9- Mini Batch y Concluision

10- Regresión Poliniminal

11- Curvas de Aprendizaje

12- Bias vs Variance intercambio

13- Regresión de Cresta

14- Regresión de Lasso

15- Elastic Net

16- Función Sigmoide

17- Función de Costo

18- Aplicación de Regresión Lógistica

19- Función Softmax

20- Entropia cruzada

21- Softmax aplicado

1- SVM

2- Margen Suave

3- Ejemplo con Python

4- Clasificacion no lineal

5- Kernel Trick

6- RBF Explicación

7- RBF Apliación

8- Complejidad computacional

9- Regresión SVM

10- Matematicas SVM Margen Duro

11- Matematicas SVM Margen Suave

12- Problema Dual

13- Truco de Kernel Final

1- Introduccion

2- Armando el arbol

3- Arbol de Decisiones

4- Probabilidades

5- Cart

6- Complejidad Computacional

7- Hiperparametros

8- Regresión

9- INestabilidad