Autoplay
Autocompletar
Lectura anterior
Completar y continuar
Ciencia de Datos 360 con Python
Bienvenid@s al curso!
Presentación (2:29)
Material
Preguntas y respuestas
Metodología
Capítulo A: Introducción a la Ciencia de Datos
A.1 - ¿Qué es la ciencia de datos? Un enfoque funcional (6:00)
A.2 - Etapas y ejemplos de modelos en Ciencia de Datos (7:20)
A.3 - Introducción a la creación de modelos ML (4:01)
P.A.3 - Práctica con el primer modelo predictivo! =D (12:12)
PPTs de la unidad
Capítulo B: Análisis Exploratorio de Datos
B.1 - Introducción, principales indicadores, y problemas! (3:53)
B.2 - Percentiles - ¿Por qué son tan importantes? Y sus aplicaciones (6:54)
B.3 - Caso de estudio de variables numéricas (7:29)
B.4 - Caso de estudio de variables categóricas (3:54)
P.B.4.1 - Status de los datos y análisis univariado (coronavirus) (10:33)
P.B.4.2 - Análisis univariado de vars. categ (coronavirus) (8:10)
P.B.4.3 - Usando pandas profiling para exploración rápida (coronavirus) (4:20)
P.B.4.4 - Creación de nuevas métricas y análisis de ratios (coronavirus) (3:47)
P.B.4.5 - Análisis de univariado de categóricas (cuantitativo y gráficos) (12:30)
P.B.4.6 - Análisis bivariado de variables "categ vs. categ" y "num. vs categ." (8:51)
P.B.4.7 - Gráficos del análisis bivariado (9:16)
B.5 - Resumen y aspectos claves (1:57)
PPTs de la unidad
Capítulo C: Correlación (triple C!)
C.1 - Correlación - Lineal (9:07)
C.2 - Correlación - Causalidad y no linealidad (6:39)
C.3 - Correlación - Variables categóricas y one hot encoding (5:27)
P.C.2.1 - Correlacion lineal con pearson, spearman, kendal y otros. Gráficos en pandas profiling. (6:40)
P.C.2.2 - Correlaciones en vars. categ. One Hot Encoding vs. pandas dummy (10:20)
P.C.2.3 - Correlación basada en teoría de la información (7:57)
P.C.2.4 - Resumen de la unidad de correlación (2:19)
PPTs de la unidad
Capítulo D: Preparación de datos para modelos ML
D.1 - Tipos de datos en Machine Learning (7:20)
D.2 - Análisis e imputación de nulos (6:11)
D.3 - Discretización de variables, distintos criterios (7:07)
P.D.3.1 - Cómo usar get_dummies en producción (11:22)
P.D.3.2 - Resumen get_dummies en producción (2:58)
P.D.3.3 - Discretización de variables (9:19)
P.D.3.4.1 - Preparación de datos: Los problemas a resolver (5:36)
P.D.3.4.2 - ¿Cómo remplazar nulos en var. categ y num.? Pandas (7:06)
P.D.3.4.3 - Resumen de preparación de datos (2:48)
P.D.3.5 - Anexo - Generalizando el tratamiento de var. categ. (9:14)
D.4 - Var. de alta cardinalidad y one hot encoding (6:56)
PPTs de la unidad
Capítulo E: Modelos ML - Sus raíces y fundamentos
E.1 - Modelos ML - Árbol de decisión (5:00)
E.2 - Modelos ML - Árbol de decision (6:43)
E.3 - Modelos ML - Árbol de decisión (1:29)
P.E.3.1 - Creación y análisis de un árbol de decisión (12:01)
P.E.3.2 - Parametrización del árbol, muestra y tasa de acierto (7:19)
E.4 - Modelos ML - Clasificación (Intuición) (5:14)
PPTs de la unidad
Capítulo F: Modelos ML
F.1 - Modelos ML - Clasificación (scoring) (5:35)
F.2 - Modelos ML - Clasificación (Accuracy) (4:43)
F.3 - Modelos ML - Introducción a optmización de modelos (hypertuning parameter) (3:21)
F.4 - Modelos ML - Curva ROC (8:39)
P.F.4.1 - Modelo de clasficiación. Matriz de confusión y elección del punto de corte (12:37)
P.F.4.2 - Creación y análisis de la curva ROC (5:21)
P.F.4.3 - Resumen matriz confusión, punto de corte y ROC (3:19)
F.5 - Modelos ML - Regresión (8:10)
P.F.5.1 - Intro al problema de regresión (6:01)
P.F.5.2 - Hypertuning con grid search para regresión (9:30)
F.6 - Modelos ML - Regresión (métricas de error) (4:02)
P.F.6.1 - Calculo y gráficos del error en regresión (6:08)
P.F.6.2 - Resumen de regresión (3:42)
PPTs de la unidad
Capítulo G
G.1 - Detección de outliers en variables numéricas (7:18)
P.G.1.1 - Introducción a los pipelines de sklearn (3:27)
P.G.1.2 - Ejemplos de transformers (5:32)
P.G.1.3 - Usando ColumnTransformer con los transformers de num y cat (8:01)
P.G.1.4 - Creando logistic regresion, ROC en pipelines (5:52)
P.G.1.5 - Resumen de construcción de pipelines (4:03)
P.G.1.6.1 - Tratamiento de outliers en var. num. con winsorize (7:57)
P.G.1.6.2 - Análisis de resultados con datos tratados (4:16)
G.2 - Modelos ML - Clasificación multiclase y balanceo (4:10)
G.3 - Modelos ML - Clasificación multiclase (error) (8:21)
G.4 - Introducción al ejercicio de undersampling (2:13)
P.G.4.1.1 - Modelo de clasificación multiclase. Validación micro/macro ROC. (7:51)
P.G.4.1.2 - Validación multiclase con precision, recall y F1. (4:31)
P.G.4.2 - Balanceo de clases para ahorrar dinero y tiempo (7:39)
PPTs de la unidad
Capítulo H
H.1 - Modelos ML - Clustering (8:26)
H.2 - Modelos ML - Análisis de clustering (6:28)
H.3 - Modelos ML - Métricas calidad en clustering (5:16)
P.H.3.1 - Análisis exploratorio para clustering de Spotify (8:38)
P.H.3.2 - Análisis del modelo cluster con coord_plot (11:12)
H.4 - Modelos ML - Clustering k-means vs hdbscan (2:22)
P.H.4.1 - Clustering con HDBSCAN en spotify (7:09)
P.H.4.2 - Parametrizacióntuning del modelo HDBSCAN (7:54)
P.H.4.3 - Calidad del modelo clustering con Silhouette (8:35)
H.5 - Preparación y normalización (cuándo y por qué) (5:42)
H.6 - Anexo - ¿Qué es la matríz de distancia (2:01)
PPTs de la unidad
Capítulo I
I.1 - Modelos ML - Intro a técnicas de reducción de dimensionalidad (7:46)
I.2 - Modelos ML - Técnicas más populares de reducción de dimensionalidad (4:43)
P.I.2.1 - Calculo de PCA en Spotify (7:49)
P.I.2.2 - Visualización de PCA (5:32)
P.I.2.3 - Visualizando la estructura de UMAP en Spotify (8:05)
P.I.2.4 - Visualización interactiva UMAP y resumen de la unidad (4:47)
I.3 - Intro a la selección de modelos de ML (6:18)
I.4 - Selección de modelos - Bias vs variance tradeoff (3:52)
PPTs de la unidad
Cierre, y próximos pasos
Comienzo de una nueva etapa (1:38)
P.C.2.2 - Correlaciones en vars. categ. One Hot Encoding vs. pandas dummy
Contenido de la lectura bloqueado
Si ya estás inscripto,
necesitas iniciar sesión
.
Inscríbete en nuestro curso para acceder