Aprendizaje automático: regresión - Curso Virtual - Coursera Verified listing

Caso de estudio: predicción de precios de viviendas En nuestro primer caso de estudio, predicción de precios de viviendas, creará modelos que predicen un valor continuo (precio) a partir de características de entrada (pies cuadrados, número de dormitorios y baños,.

.

.

).

Este es solo uno de los muchos lugares donde se puede aplicar la regresión.

Otras aplicaciones van desde la predicción de resultados de salud en medicina, precios de acciones en finanzas y uso de energía en computación de alto rendimiento, hasta el análisis de qué reguladores son importantes para la expresión génica.

En este curso, explorará modelos de regresión lineal regularizados para la tarea de predicción y selección de características.

Podrá manejar conjuntos muy grandes de características y seleccionar entre modelos de diversa complejidad.

También analizará el impacto de los aspectos de sus datos, como los valores atípicos, en sus modelos y predicciones seleccionados.

Para adaptarse a estos modelos, implementará algoritmos de optimización que se escalan a grandes conjuntos de datos.

Resultados del aprendizaje: al final de este curso, podrá: -Describir la entrada y la salida de un modelo de regresión.

-Comparar y contrastar el sesgo y la varianza al modelar datos.

-Estimar los parámetros del modelo utilizando algoritmos de optimización.

-Ajuste de parámetros con validación cruzada.

-Analizar el rendimiento del modelo.

-Describir la noción de escasez y cómo LASSO conduce a soluciones escasas.

-Desplegar métodos para seleccionar entre modelos.

-Explotar el modelo para formar predicciones.

-Construir un modelo de regresión para predecir precios utilizando un conjunto de datos de vivienda.

-Implementar estas técnicas en Python.

-Describir la entrada y salida de un modelo de regresión.

-Comparar y contrastar el sesgo y la varianza al modelar datos.

-Estimar los parámetros del modelo utilizando algoritmos de optimización.

-Ajuste de parámetros con validación cruzada.

-Analizar el rendimiento del modelo.

-Describir la noción de escasez y cómo LASSO conduce a soluciones escasas.

-Desplegar métodos para seleccionar entre modelos.

-Explotar el modelo para formar predicciones.

-Construir un modelo de regresión para predecir precios utilizando un conjunto de datos de vivienda.

-Implementar estas técnicas en Python.

-Describir la entrada y salida de un modelo de regresión.

-Comparar y contrastar el sesgo y la varianza al modelar datos.

-Estimar los parámetros del modelo utilizando algoritmos de optimización.

-Ajuste de parámetros con validación cruzada.

-Analizar el rendimiento del modelo.

-Describir la noción de escasez y cómo LASSO conduce a soluciones escasas.

-Desplegar métodos para seleccionar entre modelos.

-Explotar el modelo para formar predicciones.

-Construir un modelo de regresión para predecir precios utilizando un conjunto de datos de vivienda.

-Implementar estas técnicas en Python.

-Explotar el modelo para formar predicciones.

-Construir un modelo de regresión para predecir precios utilizando un conjunto de datos de vivienda.

-Implementar estas técnicas en Python.

-Explotar el modelo para formar predicciones.

-Construir un modelo de regresión para predecir precios utilizando un conjunto de datos de vivienda.

-Implementar estas técnicas en Python.