Aprendizaje automático: clasificación

Descripción

Estudios de caso: análisis de la opinión y la predicción de incumplimiento de préstamos

En nuestro caso de estudio sobre el análisis del sentimiento, creará modelos que predicen una clase (sentimiento positivo / negativo) a partir de las 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 los datos financieros y predecirá cuándo es probable que un préstamo sea riesgoso o seguro para el banco. Estas tareas son 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, el diagnóstico médico y la clasificación de imágenes.

En este curso, creará clasificadores que brinden un rendimiento de vanguardia en una variedad de tareas. Se familiarizará con las técnicas más exitosas, que se utilizan más ampliamente en la práctica, incluida la regresión logística, los árboles de decisión y el impulso. Además, podrá diseñar e implementar los algoritmos subyacentes que pueden aprender estos modelos a escala, utilizando el ascenso de gradiente estocástico. Implementarás esta técnica en tareas de aprendizaje automático a gran escala y del mundo real. También abordará tareas importantes a las que se enfrentará en aplicaciones de aprendizaje automático en el mundo real, 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 estas técnicas se comportarán con datos reales. ¡También hemos incluido contenido opcional en cada módulo, que cubre temas avanzados para aquellos que desean profundizar aún más!

Objetivos de aprendizaje: al final de este curso, podrá:
-Describir la entrada y salida de un modelo de clasificación.
- Aborde los problemas de clasificación binaria y multiclase.
-Implementar un modelo de regresión logística para la clasificación a gran escala.
-Cree un modelo no lineal utilizando árboles de decisión.
-Mejorar el rendimiento de cualquier modelo utilizando el impulso.
-Escala tus métodos con ascenso de gradiente estocástico.
-Describir los límites de decisión subyacentes.
-Construir un modelo de clasificación para predecir el sentimiento en un conjunto de datos de revisión de producto.
-Analizar datos financieros para predecir incumplimientos de préstamos.
-Utilizar técnicas para manejar datos faltantes.
-Evalúe sus modelos utilizando métricas de recuperación de precisión.
-Implemente estas técnicas en Python (o en el idioma que elija, aunque Python es muy recomendable).