Casos prácticos: análisis de opinión y predicción de impago de préstamos En nuestro caso de estudio sobre análisis de opinión, creará modelos que predicen una clase (sentimiento positivo/negativo) a partir de características de entrada (texto de las reseñas, información del perfil de usuario,.

.

.

).

En nuestro segundo estudio de caso para este curso, predicción de incumplimiento de préstamos, abordará datos financieros y predecirá cuándo es probable que un préstamo sea riesgoso o seguro para el banco.

Estas tareas son ejemplos de clasificación, una de las áreas de aprendizaje automático más utilizadas, con una amplia gama de aplicaciones, que incluyen orientación de anuncios, detección de spam, diagnóstico médico y clasificación de imágenes.

En este curso, creará clasificadores que brindan un rendimiento de vanguardia en una variedad de tareas.

Te familiarizarás con las técnicas más exitosas, que son las más utilizadas en la práctica, incluyendo regresión logística, árboles de decisión y boosting.

Además, podrá diseñar e implementar los algoritmos subyacentes que pueden aprender estos modelos a escala, utilizando el ascenso de gradiente estocástico.

Implementará estas técnicas en tareas de aprendizaje automático a gran escala del mundo real.

También abordará tareas importantes que enfrentará en aplicaciones del mundo real de ML, incluido el manejo de datos faltantes y la medición de precisión y recuperación para evaluar un clasificador.

Este curso es práctico, lleno de acción y lleno de visualizaciones e ilustraciones de cómo se comportarán estas técnicas en datos reales.

¡También hemos incluido contenido opcional en cada módulo, cubriendo temas avanzados para aquellos que quieren profundizar aún más! Objetivos de aprendizaje: Al final de este curso, podrá: -Describir la entrada y salida de un modelo de clasificación.

-Abordar problemas de clasificación tanto binaria como multiclase.

-Implementar un modelo de regresión logística para clasificación a gran escala.

-Crear un modelo no lineal utilizando árboles de decisión.

-Mejora el rendimiento de cualquier modelo usando boosting.

-Escale sus métodos con ascenso de gradiente estocástico.

-Describir los límites de decisión subyacentes.

-Cree un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de productos.

-Analizar datos financieros para predecir incumplimientos de préstamos.

-Utilizar técnicas para el manejo de datos faltantes.

-Evaluar sus modelos utilizando métricas de recuperación de precisión.

-Implemente estas técnicas en Python (o en el lenguaje de su elección, aunque Python es muy recomendable).

-Implementar un modelo de regresión logística para clasificación a gran escala.

-Crear un modelo no lineal utilizando árboles de decisión.

-Mejora el rendimiento de cualquier modelo usando boosting.

-Escale sus métodos con ascenso de gradiente estocástico.

-Describir los límites de decisión subyacentes.

-Cree un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de productos.

-Analizar datos financieros para predecir incumplimientos de préstamos.

-Utilizar técnicas para el manejo de datos faltantes.

-Evaluar sus modelos utilizando métricas de recuperación de precisión.

-Implemente estas técnicas en Python (o en el lenguaje de su elección, aunque Python es muy recomendable).

-Implementar un modelo de regresión logística para clasificación a gran escala.

-Crear un modelo no lineal utilizando árboles de decisión.

-Mejora el rendimiento de cualquier modelo usando boosting.

-Escale sus métodos con ascenso de gradiente estocástico.

-Describir los límites de decisión subyacentes.

-Cree un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de productos.

-Analizar datos financieros para predecir incumplimientos de préstamos.

-Utilizar técnicas para el manejo de datos faltantes.

-Evaluar sus modelos utilizando métricas de recuperación de precisión.

-Implemente estas técnicas en Python (o en el lenguaje de su elección, aunque Python es muy recomendable).

-Cree un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de productos.

-Analizar datos financieros para predecir incumplimientos de préstamos.

-Utilizar técnicas para el manejo de datos faltantes.

-Evaluar sus modelos utilizando métricas de recuperación de precisión.

-Implemente estas técnicas en Python (o en el lenguaje de su elección, aunque Python es muy recomendable).

-Cree un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de productos.

-Analizar datos financieros para predecir incumplimientos de préstamos.

-Utilizar técnicas para el manejo de datos faltantes.

-Evaluar sus modelos utilizando métricas de recuperación de precisión.

-Implemente estas técnicas en Python (o en el lenguaje de su elección, aunque Python es muy recomendable).