Programa del Curso

Introducción

  • Resumen de las características y ventajas del Random Forest
  • Comprensión de los árboles de decisión y métodos de ensamblaje

Comenzando

  • Configuración de las bibliotecas (Numpy, Pandas, Matplotlib, etc.)
  • Clasificación y regresión en Random Forests
  • Casos de uso y ejemplos

Implementación del Random Forest

  • Preparación de conjuntos de datos para el entrenamiento
  • Entrenamiento del modelo de aprendizaje automático
  • Evaluación y mejora de la precisión

Ajuste de los hiperparámetros en Random Forest

  • Realización de validaciones cruzadas
  • Búsqueda aleatoria y búsqueda en cuadrícula (Grid search)
  • Visualización del rendimiento del modelo de entrenamiento
  • Optimización de hiperparámetros

Mejores prácticas y consejos para solucionar problemas

Resumen y siguientes pasos

Requerimientos

  • Un conocimiento de los conceptos de aprendizaje automático
  • Experiencia en programación con Python

Público

  • Científicos de datos
  • Ingenieros de software
 14 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas