scikit learn videos

Introducción al aprendizaje automático con scikit-learn

Esta serie de videos le enseñará cómo resolver problemas de aprendizaje automático utilizando la popular biblioteca scikit-learn de Python. Hay 10 videotutoriales con una duración total de 4,5 horas, cada uno con su cuaderno Jupyter correspondiente.

Puede ver la serie completa en YouTube y ver todos los cuadernos usando nbviewer.

La serie también está disponible como curso en línea gratuito que incluye contenido actualizado, cuestionarios y un certificado de finalización.

Nota: Los cuadernos de este repositorio se han actualizado para usar Python 3.9.1 y scikit-learn 0.23.2. Los cuadernos originales (que se muestran en el video) usaban Python 2.7 y scikit-learn 0.16, y se pueden descargar desde la rama de archivo. Puedes leer sobre cómo actualicé el código en esta publicación de blog.

Tabla de contenido

1. ¿Qué es el aprendizaje automático y cómo funciona? (vídeo, cuaderno)

   • ¿Qué es el aprendizaje automático?
   • ¿Cuáles son las dos categorías principales de Machine Learning?
   • ¿Cuáles son algunos ejemplos de aprendizaje automático?
   • ¿Cómo "funciona" el aprendizaje automático?

2. Configuración de Python para aprendizaje automático: scikit-learn y Jupyter Notebook (vídeo, cuaderno)

   • ¿Cuáles son los beneficios y desventajas de scikit-learn?
   • ¿Cómo instalo scikit-learn?
   • ¿Cómo uso el cuaderno Jupyter?
   • ¿Cuáles son algunos buenos recursos para aprender Python?

3. Comenzando en scikit-learn con el famoso conjunto de datos de iris (video, cuaderno)

   • ¿Qué es el famoso conjunto de datos del iris y cómo se relaciona con el aprendizaje automático?
   • ¿Cómo cargamos el conjunto de datos del iris en scikit-learn?
   • ¿Cómo describimos un conjunto de datos utilizando la terminología de aprendizaje automático?
   • ¿Cuáles son los cuatro requisitos clave de scikit-learn para trabajar con datos?

4. Entrenamiento de un modelo de Machine Learning con scikit-learn (video, cuaderno)

   • ¿Qué es el modelo de clasificación de K-vecinos más cercanos?
   • ¿Cuáles son los cuatro pasos para el entrenamiento y la predicción de modelos en scikit-learn?
   • ¿Cómo puedo aplicar este patrón a otros modelos de Machine Learning?

5. Comparación de modelos de aprendizaje automático en scikit-learn (vídeo, cuaderno)

   • ¿Cómo elijo qué modelo usar para mi tarea de aprendizaje supervisado?
   • ¿Cómo elijo los mejores parámetros de ajuste para ese modelo?
   • ¿Cómo calculo el rendimiento probable de mi modelo con datos fuera de la muestra?

6. Canalización de ciencia de datos: pandas, seaborn, scikit-learn (vídeo, cuaderno)

   • ¿Cómo uso la biblioteca pandas para leer datos en Python?
   • ¿Cómo uso la biblioteca seaborn para visualizar datos?
   • ¿Qué es la regresión lineal y cómo funciona?
   • ¿Cómo entreno e interpreto un modelo de regresión lineal en scikit-learn?
   • ¿Cuáles son algunas métricas de evaluación para problemas de regresión?
   • ¿Cómo elijo qué características incluir en mi modelo?

7. Validación cruzada para ajuste de parámetros, selección de modelo y selección de características (vídeo, cuaderno)

   • ¿Cuál es el inconveniente de utilizar el procedimiento de división tren/prueba para la evaluación del modelo?
   • ¿Cómo supera esta limitación la validación cruzada K-fold?
   • ¿Cómo se puede utilizar la validación cruzada para seleccionar parámetros de ajuste, elegir entre modelos y seleccionar funciones?
   • ¿Cuáles son algunas posibles mejoras a la validación cruzada?

8. Búsqueda eficiente de parámetros de ajuste óptimos (vídeo, portátil)

   • ¿Cómo se puede utilizar la validación cruzada K-fold para buscar un parámetro de ajuste óptimo?
   • ¿Cómo se puede hacer este proceso más eficiente?
   • ¿Cómo se buscan múltiples parámetros de ajuste a la vez?
   • ¿Qué haces con esos parámetros de ajuste antes de hacer predicciones reales?
   • ¿Cómo se puede reducir el gasto computacional de este proceso?

9. Evaluación de un modelo de clasificación (vídeo, cuaderno)

   • ¿Cuál es el propósito de la evaluación de modelos y cuáles son algunos procedimientos de evaluación comunes?
   • ¿Cuál es el uso de la precisión de la clasificación y cuáles son sus limitaciones?
   • ¿Cómo describe una matriz de confusión el desempeño de un clasificador?
   • ¿Qué métricas se pueden calcular a partir de una matriz de confusión?
   • ¿Cómo se puede ajustar el rendimiento del clasificador cambiando el umbral de clasificación?
   • ¿Cuál es el propósito de una curva ROC?
   • ¿En qué se diferencia el área bajo la curva (AUC) de la precisión de la clasificación?

10. Creación de un flujo de trabajo de aprendizaje automático (vídeo, cuaderno)

    • ¿Por qué debería utilizar un Pipeline?
    • ¿Cómo se codifican funciones categóricas con OneHotEncoder?
    • ¿Cómo se aplica OneHotEncoder a columnas seleccionadas con ColumnTransformer?
    • ¿Cómo se construye y valida de forma cruzada un Pipeline?
    • ¿Cómo se hacen predicciones sobre nuevos datos utilizando un Pipeline?
    • ¿Por qué debería utilizar scikit-learn (en lugar de pandas) para el preprocesamiento?

Vídeo extra

En la conferencia PyCon 2016, impartí un tutorial de 3 horas que se basa en esta serie de videos y se centra en datos basados ​​en texto . Puedes ver el vídeo tutorial en YouTube.

Estos son los temas que cubrí:

1. Construcción de modelos en scikit-learn (actualización)
2. Representar texto como datos numéricos
3. Leer un conjunto de datos basado en texto en pandas
4. Vectorizando nuestro conjunto de datos
5. Construyendo y evaluando un modelo
6. Comparando modelos
7. Examinar un modelo para obtener más información
8. Practicando este flujo de trabajo en otro conjunto de datos
9. Ajuste del vectorizador (discusión)

Visite este repositorio de GitHub para acceder a los cuadernos de tutoriales y muchos otros recursos recomendados.