Un curso
Todas las lecciones, proyectos y simulacros de Aprendizaje automático.
Facturación mensual. Cancela cuando quieras.
Nivel 1: Recién llegado
0 puntos
Inicia sesión para guardar tu progreso y continuar en otros dispositivos.
Cursos / Herramientas de datos y análisis
Crea y evalúa modelos con scikit-learn en un cuaderno real. Empiezas con el flujo de modelado y particiones de evaluación honestas, y sigues con regresión, clasificación, pipelines, selección de modelos y eventos poco frecuentes, con cada resultado comprobado. Al final hay cuatro proyectos y dos simulacros.
Elige tu plan aquí. Tu curso ya está seleccionado.
Crea y evalúa un modelo de prioridad de recordatorios sin cambiar el acceso a las citas.
6 pasos · 18 minProyecto · IntermedioProyecto de segmentación de clientesCrea grupos de clientes y un resumen de comportamiento indexado.
8 pasos · 40 minProyecto · IntermedioProyecto de bajas de sociosCrea una evaluación de bajas con datos reservados y puntúa registros de clientes nuevos.
8 pasos · 40 minCaso práctico · IntermedioCaso de elección de métrica en comercio minoristaElige un modelo de revisión según la cobertura de casos positivos y la capacidad de revisión.
6 pasos · 18 minProyecto · AvanzadoProyecto de revisión de fraudeFija un umbral de revisión de fraude para Nacre Payments cuando un fraude no detectado cuesta ocho veces más que una falsa alarma.
8 pasos · 40 minCaso práctico · AvanzadoDiagnóstico del modelo logísticoUn modelo de entregas parece preciso con sus datos de entrenamiento. Averigua cómo funcionará con entregas nuevas y qué informar.
6 pasos · 30 minProyecto · ExpertoProyecto de previsión de la demandaPrevé la demanda con variables solo del pasado, una reserva ordenada en el tiempo y una referencia que superar.
8 pasos · 40 minCaso práctico · ExpertoRevisión del lanzamiento de medios y viajesRevisa un modelo de medios y viajes antes de su lanzamiento, partiendo de los datos de resultados disponibles.
6 pasos · 30 minSimulacro de examen · ExpertoPrueba técnica de modelado AUna prueba de modelado cronometrada sobre reservas cronológicas, variables con retardo, validación agrupada, deriva y un umbral de coste esperado.
12 preguntas · 40 minSimulacro de examen · ExpertoPrueba técnica de modelado BUna segunda prueba de modelado cronometrada sobre folds móviles, entidades no vistas, evaluación anidada, cambios de tasa, reversión y recall por subgrupo.
12 preguntas · 45 minRecorre el proceso de modelización en un cuaderno de Python funcional. Empiezas con variables predictoras, objetivos, particiones de entrenamiento y prueba, y modelos de referencia. Después construyes modelos de regresión y clasificación, procesos reutilizables de preprocesamiento y experimentos de selección de modelos. Más adelante trabajas agrupamiento, desequilibrio de clases, probabilidades calibradas, interpretación y evaluación cronológica. Los proyectos originales te piden puntuar el abandono de clientes, prever la demanda, investigar fraudes y describir segmentos de clientes. Cada tarea comprueba tus objetos ajustados y sus resultados con un segundo conjunto de datos. Terminas con práctica de entrevistas y dos pruebas de selección cronometradas.
Work one company brief through several tools. Your Aprendizaje automático stage reads the tables from the stage before.
Ver todos los proyectosExplica lo que has aprendido en una entrevista a pantalla completa. Habla o escribe y luego revisa tus respuestas con la rúbrica de tu nivel.
Procesos de entrevista por puestoPrincipiante
Plantea una decisión, identifica los predictores y define el resultado.
Protege las observaciones de validación y de prueba de la información de entrenamiento.
Compara un modelo ajustado con un modelo de referencia usando errores con datos reservados.
Ajusta un clasificador binario y mide las consecuencias de sus errores.
Intermedio
Ajusta transformaciones con las filas de entrenamiento y controla la complejidad de los coeficientes.
Compara árboles, promedios de bosques y boosting secuencial.
Usa distancias para clasificar y para crear grupos de clientes con sentido.
Gestiona valores que faltan y categorías nuevas dentro de pipelines ajustados.
Avanzado
Crea variables y compara candidatos con particiones de validación.
Evalúa resultados desequilibrados y elige umbrales operativos.
Revisa clústeres de densidad y proyecciones de menor dimensión.
Calibra probabilidades y revisa las contribuciones predictivas sin afirmar causalidad.
Experto
Valida previsiones con variables retardadas y conjuntos reservados estrictamente posteriores.
Mantén separados los grupos y distingue la selección del modelo de su evaluación.
Mide la deriva y los resultados maduros antes de elegir una respuesta.
Combina costes de error, pruebas por subgrupo y evaluaciones cronometradas.