Aprendizaje automático con datos desequilibrados Descarga gratuita de Udemy

Bienvenido a Machine Learning con conjuntos de datos desequilibrados. En este curso, aprenderá varias técnicas que puede usar con conjuntos de datos desequilibrados para mejorar el rendimiento de sus modelos de aprendizaje automático.

Si está trabajando con conjuntos de datos desequilibrados en este momento y desea mejorar el rendimiento de sus modelos, o simplemente desea obtener más información sobre cómo abordar el desequilibrio de datos, este curso le mostrará cómo hacerlo.

te llevaremos paso a paso a través de atractivos tutoriales en video y le enseñará todo lo que necesita saber sobre cómo trabajar con conjuntos de datos desequilibrados. A lo largo de este curso integral, cubrimos casi todas las metodologías disponibles para trabajar con conjuntos de datos desequilibrados, discutiendo su lógica, su implementación en Python, sus ventajas y desventajas, y las consideraciones que se deben tener al usar la técnica. En concreto, aprenderás:

  • Métodos de submuestreo al azar o enfocados en resaltar ciertas poblaciones de muestra
  • Métodos de sobremuestreo al azar y aquellos que crean nuevos ejemplos basados ​​en observaciones existentes
  • Métodos de conjunto que aprovechan el poder de varios alumnos débiles junto con técnicas de muestreo para impulsar el rendimiento del modelo
  • Métodos sensibles a los costos que penalizan las decisiones equivocadas con mayor severidad para las clases minoritarias
  • Las métricas adecuadas para evaluar el rendimiento del modelo en conjuntos de datos desequilibrados

Al final del curso, podrá decidir qué técnica es adecuada para su conjunto de datos y/o aplicar y comparar la mejora en el rendimiento de los diferentes métodos en múltiples conjuntos de datos.

Este curso integral de aprendizaje automático incluye más de 50 conferencias que abarcan aproximadamente 8 horas de video y TODOS los temas incluyen ejemplos prácticos de código de Python que puede usar como referencia y práctica, y reutilizar en sus propios proyectos.

Además, el código se actualiza periódicamente para mantenerse al día con las nuevas tendencias y los nuevos lanzamientos de la biblioteca de Python.

¿Entonces, Qué esperas? Inscríbase hoy, aprenda a trabajar con conjuntos de datos desequilibrados y cree mejores modelos de aprendizaje automático.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *