Imprimir este CapítuloImprimir este Capítulo

Sumilla

5. Contenidos
Unidad 1: Introducción
 1. Conceptos básicos de machine learning.
2. Weka Workbench como nuestro entorno de machine learning.
3. Conclusiones.
Unidad 2: Minería de datos en Weka
 1. Planeles en Weka.
2. Conociendo nuestros datos en los paneles de Weka.
3. Conclusiones.
Unidad 3: Pre-análisis y pre-tratamiento de datos
 1. Clasificación de datos en machine learning.
2. Conjunto de datos para machine learning.
3. Pre-análisis de datos.
4. Conclusiones.
Unidad 4: Pre-procesamiento de datos para machine learning
 1. Normalización y estandarización de los datos.
2. Transformar los datos de machine learning.
3. Manejar valores perdidos en los datos de machine learning.
4. Conclusiones.
Unidad 5: Análisis de datos en machine learning
 1. Future Selection en machine learning.
2. Uso de algoritmos de machine learning.
3. Estimar el resultado de los algoritmos.
4. Estimar una línea base de los resultados.
5. Conclusiones.
Unidad 6: Fase de modelado en machine learning
 1. Algoritmos de clasificación.
2. Algoritmos de regresión.
3. Algoritmos ensamblados.
4. Conclusiones.
Unidad 7: Fase ‘Tuning’ en machine learning
 1.Comparar el rendimiento de los algoritmos.
2. ‘Tunear’ los parámetros (hiperparámetros) de los algoritmos.
3. Guardar nuestros modelos y hacer predicciones.
4. Conclusiones.
Unidad 8: Proyectos en machine learning
 1. Trabajar un proyecto de clasificación multiclase.
2. Trabajar un proyecto de clasificación binario.
3. Trabajar un proyecto de regresión.
4. Conclusiones