3.01 - Flujo de trabajo de Machine LearningVideo 10mins Explicamos el flujo de trabajo general que se realiza al desarrollar modelos de Machine Learning.
3.02 - Calibración de un modelo 1DVideo 20mins Describimos el proceso de calibración manual y analítica de un modelo muy sencillo.
3.03 - Calibración con datos y fronteras de clasificaciónVideo 25mins Realizamos el proceso de calibración con datos, introducimos el concepto de frontera bayesiana y aumentamos la complejidad del ejemplo, generando fronteras de clasificación en 2D.
3.04 - Complejidad de los datos vs complejidad de los modelosVideo 22mins Vemos cómo usamos los hiperparámetros de distintos algoritmos para regular complejidad de las fronteras generadas por los modelos y cómo podemos desarrollar algunas pistas sobre su relación con la complejidad de los datos.
3.05 - Métricas de desempeñoVideo 24mins Mostramos algunas métricas para medir el desempeño de los modelos y explicamos la relación con las métricas de negocio.
3.06 - Algoritmos supervisados. Clasificación linealVideo 22mins Explicamos cómo usar la regresión logística en Python.
3.07 - Algoritmos supervisados. Árboles y bosques de decisiónVideo 17mins Mostramos la intuición detrás de los árboles de decisión y los random forests, y cómo usarlos.
3.08 - Algoritmos supervisados. Naive BayesVideo 10mins Mostramos la intuición detrás de los clasificadores gausianos, y cómo usarlos.
3.09 - Algoritmos supervisados. Support Vector MachinesVideo 12mins Explicamos la idea de transformación de características y la intuición y utilización de las máquinas de soporte vectorial para clasificación.
