Fundamentos del aprendizaje automático: un enfoque de estudio de caso - Curso Virtual - Coursera Verified listing

<p><h3Regresión: predecir los precios de la vivienda</h3></p><p>Esta semana, creará su primera aplicación inteligente que hace predicciones a partir de datos. <p> Exploraremos esta idea dentro del contexto de nuestro primer estudio de caso, prediciendo los precios de la vivienda, donde creará modelos que predicen un valor (precio) continuo desde Características de entrada (metros cuadrados, número de dormitorios y baños, ...). <p> Este es solo uno de los muchos lugares donde se puede aplicar la regresión. Otras aplicaciones van desde predecir resultados de salud en medicina, precios de acciones en finanzas y uso de energía en computación de alto rendimiento, hasta analizar qué reguladores son importantes para la expresión genética . </p> También examinará cómo analizar el rendimiento de su modelo predictivo e implementar la regresión en la práctica utilizando un cuaderno Jupyter.</p>

<p><h3Clasificación: Analizar el sentimiento</h3></p><p>¿Cómo adivinas si una persona se sintió positiva o negativamente sobre una experiencia, solo a partir de una breve reseña que escribió? <p> En nuestro segundo estudio de caso, analizando el sentimiento, crearás modelos que predicen una clase (sentimiento positivo / negativo) de características de entrada (texto de las reseñas, información del perfil del usuario, ...). Esta tarea es un ejemplo de clasificación, una de las áreas más utilizadas del aprendizaje automático, con una amplia gama de aplicaciones, incluida la segmentación de anuncios, la detección de spam, diagnóstico médico y clasificación de imágenes. </p> Analizará la precisión de su clasificador, implementará un clasificador real en un cuaderno Jupyter y probará por primera vez una pieza central de la aplicación inteligente que creará e implementará en su capstone.</p>

<p><h3Agrupación en clústeres y similitud: recuperación de documentos</h3></p><p>Un lector está interesado en un artículo de noticias específico y desea encontrar artículos similares para recomendar. ¿Cuál es la noción correcta de similitud? ¿Cómo busco automáticamente los documentos para encontrar el más parecido? ¿Cómo represento cuantitativamente los documentos en primer lugar? <p> En este tercer estudio de caso, recuperando documentos, examinará varias representaciones de documentos y un algoritmo para recuperar el subconjunto más similar. También considerará representaciones estructuradas de los documentos que agrupan automáticamente los artículos por similitud (por ejemplo, el tema del documento). </p> De hecho, creará un sistema inteligente de recuperación de documentos para las entradas de Wikipedia en un cuaderno de Jupyter.</p>

<p><h3Recomendar productos</h3></p><p>¿Alguna vez se preguntó cómo Amazon forma sus recomendaciones de productos personalizadas? ¿Cómo sugiere Netflix películas para ver? ¿Cómo selecciona Pandora la siguiente canción para transmitir? ¿Cómo Facebook o LinkedIn encuentran personas con las que podrías conectarte? Detrás de todas estas tecnologías para contenido personalizado se encuentra algo llamado filtrado colaborativo. <p> Aprenderá a construir un sistema de recomendación de este tipo utilizando una variedad de técnicas y explorará sus compensaciones. </p> Un método que examinamos es la factorización matricial, que aprende las características de los usuarios y los productos para formar recomendaciones. En un cuaderno de Jupyter, utilizará estas técnicas para crear un sistema de recomendación de canciones real.</p>