Aprende Machine learning

Cómo Entrenar una IA: Guía Completa

🤖 Guía completa para entrenar una IA en 5 pasos

Desplegar Modelo Usando Streamlit Render

Introducción a AWS SageMaker

Cómo tomar el Módulo de Análisis Exploratorio de Datos

Aprendizaje no Supervisado

Explorando Árboles de Decisión

Algoritmo Naive Bayes

Descubre Naive Bayes: un algoritmo de clasificación simple pero poderoso basado en el teorema de Bayes. Aprende sus implementaciones y parámetros hiper.

Básicos de Machine Learning

Explorando Redes Neuronales

Introducción a Deep Learning

Boosting de Algoritmos

Selección de Características

Codificación de Características para Variables Categóricas

Cookie Cutter

Variables Aleatorias

Optimizacion de Algoritmos y Estructuras de Datos

Introducción a Machine Learning

Tutorial del Proyecto Árbol de Decisión

Use decision tree algorithm to diagnose diabetes by using patiente medical information from previous medical exams

Proyecto de Limpieza de Datos de Bienes Raices

Prepare a real dataset to later train a machine learning model

Proyecto de Ejercicios de Probabilidad con Python

Proyecto de Stadistica descriptiva con Python

Usa tus habilidades con numpy, pandas y matplotlib para practicar un poco sobre estadística descriptiva.

Haciendo web Scraping a Tesla con Python y Beautiful Soup

Usa Python y la biblioteca Beautiful Soup para descargar, extraer, limpiar y visualizar la información de ingresos de Tesla.

Proyecto de Random Forest

Use Random Forest algorithm to predict a marketing campaign success by predicting the campaign impressions

Tutorial de Pagina Web de ML con Streamlit

Use Streamlit to create a machine learning web application to predict Titanic survival.

Tutorial de Pandas: Interactivo, auto-corregido y con mentor de inteligencia artificial

Domina Pandas, la biblioteca más popular de Python para machine learning, con nuestro tutorial de python pandas. Aprende a crear DataFrames, limpiar datasets y más, con ejercicios desarrollados en 80 horas.

Consejos y herramientas para construir un proyecto de Ciencia de Datos y Aprendizaje Automático

A la hora de construir un proyecto de Ciencia de Datos y Aprendizaje Automático hay cosas a tener en cuenta, especialmente si estás buscando trabajo. Aquí encontrarás consejos para hacer que un proyecto destaque entre la multitud, y una lista de sitios donde puedes encontrar conjuntos de datos útiles para poner en marcha tu proyecto.

Despliega Modelos AI en Render.com usando Flask

Explorando Series de Tiempo

Implementar Modelo Usando Streamlit y Heroku

Máquinas de Vectores de Soporte

Bosque Aleatorio

Optimización de Hiperparámetros del modelo

Regresión Logística

Explorando el Procesamiento del Lenguaje Natural

Explorando la Regresión lineal

Cómo Lidiar con los Valores atípicos

Escalado de Características

Análisis y Limpieza de Datos Exploratorios con Titanic

Cálculo

Probabilidad

Álgebra Lineal

Tutorial de Proyecto de NLP

Create a url spam detector using NLP techniques and Support Vector Machine algorithm

Tutorial de Proyecto de Regresión Lineal

How much will your insurance cost based on a set of variables? Use this small dataset to model the relationship between several explanatory variables and a numerical target using a linear regression algorithm.

Proyecto Tutorial K-Medias

Use k-means algorithm to segment houses based on their coordinates.

Proyecto de Optimización de Algoritmos para Aprendizaje Automático

Aprende lo básico sobre cómo optimizar o construir mejor algoritmos en Python para Aprendizaje Automático.

Conectándose a una base de datos SQL por primera vez

Crea una base de datos SQL utilizando el motor PostgreSQL y una estructura de proyecto profesional en Python que incluya PIP y variables de entorno.

Proyecto Tutorial de Clasficador de Imagenes

Use a deep learning algorithm to build an image classifier.

Proyecto Tutorial de Series Temporales

Use your new skills to help American Express improve their default prediction model.

Proyecto final de Machine Learning

These are your machine learning final project instructions

Tutorial Interactivo de Numpy

Este tutorial interactivo te ayudará a familiarizarte con Numpy, dominar las funcionalidades más usadas y a limpiar tus primeros datasets.

Series de Tiempo

Computación en la Nube

Que es una regresion lineal y para que utilizarla

Descubre cómo la regresión lineal, un modelo predictivo esencial, puede ayudarte a entender y predecir variables clave. Aprende sobre sus dos tipos principales: simple y múltiple, y los cinco supuestos críticos que garantizan su precisión. ¡Optimiza tus análisis de datos!

Implementar Modelo Usando Flask y Heroku

Modelos Lineales Regularizados

Procesamiento Natural del Lenguaje

Métricas de Evaluación

K Vecinos más Cercanos

Explorando Naive Bayes

Árboles de Decisión

Cómo Lidiar con los Valores Faltantes

Ingeniería de Características

Importación de Archivos Estáticos con Pandas

Tabla Normal Estándar

Evaluación de hipótesis

Introduccion a Matplotlib

Tutorial del Proyecto Naive Bayes

Use Naive Bayes algorithm to classify apps reviews as good or bad.

Ejercicios de Pruebas de Hipótesis en Python

Usa tus habilidades con NumPy, Pandas y Matplotlib para practicar un poco sobre pruebas de hipótesis con ANOVA y otros métodos.

Proyecto Tutorial de K Vecinos Mas Cercanos

Use KNN algorithm to build a simple movie recommender system.

Tutorial de aplicacion web de ml usando flask

Use Flask to create a machine learning web application to predict Titanic survival.

Proyecto Tutorial de Mejorando Algoritmos

Use XGBoost algorithm

Tutorial: Construye un modelo de regresion lineal usando pandas y python

Aprende a construir un modelo de regresión lineal desde cero: comprende un nuevo dataset, realiza un análisis exploratorio (EDA), modela los datos y optimiza tu modelo. Descubre cómo el $R^2$ evoluciona al ajustar el hiperparámetro del modelo Lasso hasta un valor de 20.

Proyecto de Serie Temporal Alternativa

Use ARIMA model o create a cpu usage anomaly detection model.

Ejercicio y Tutorial de Regresion Logistica

Logistic Regression is the ideal first algorithm to learn how to model. Without doing much cleaning, train your model and optimize until you are satified with your evaluation and results.