Curso completo de Machine Learning Data Science en Python - COMPLETO

磁力链接/BT种子名称

Curso completo de Machine Learning Data Science en Python - COMPLETO

磁力链接/BT种子简介

种子哈希：b41bbf426cde984d37f6288889b7516ec61b6920
文件大小： 26.05G
已经下载：1300次
下载速度：极快
收录时间：2021-03-21
最近下载：2025-08-20

移花宫入口

移花宫.com邀月.com怜星.com花无缺.comyhgbt.icuyhgbt.top

磁力链接下载

magnet:?xt=urn:btih:B41BBF426CDE984D37F6288889B7516EC61B6920
推荐使用PIKPAK网盘下载资源，10TB超大空间，不限制资源，无限次数离线下载，视频在线观看

下载BT种子文件

磁力链接 迅雷下载 PIKPAK在线播放 世界之窗 91视频 含羞草 欲漫涩 逼哩逼哩 成人快手 51品茶 抖阴破解版 极乐禁地 91短视频 TikTok成人版 PornHub 草榴社区 哆哔涩漫 呦乐园 萝莉岛

最近搜索

文件列表

  • 8. Regresión logística con Python/7. Estimación con el método de máxima verosimilitud.mp4 476.4 MB
  • 8. Regresión logística con Python/8. Crear un modelo logístico desde cero.mp4 461.6 MB
  • 9. Clustering y clasificación/2. ¿Qué es y para qué sirve el clustering.mp4 347.6 MB
  • 7. Regresión lineal con Python/19. Transformar las variables en relaciones no lineales.mp4 333.6 MB
  • 14. Análisis de componentes principales/3. Demostración de cómo se hace un ACP.mp4 325.2 MB
  • 10. Árboles y bosques aleatorios/5. Algoritmos para la generación de árboles de clasificación.mp4 323.2 MB
  • 11. Máquinas de Soporte Vectorial/14. Práctica de SVM reconocimiento facial a lo CSI.mp4 322.4 MB
  • 9. Clustering y clasificación/3. El concepto de distancia.mp4 320.8 MB
  • 8. Regresión logística con Python/9. Análisis exploratorio de los datos.mp4 315.2 MB
  • 9. Clustering y clasificación/17. Implementando la técnica del codo y el coeficiente de la silueta.mp4 313.1 MB
  • 10. Árboles y bosques aleatorios/4. Entropía y ganancia de Información.mp4 310.3 MB
  • 7. Regresión lineal con Python/16. Variables categóricas en una regresión lineal.mp4 298.3 MB
  • 8. Regresión logística con Python/16. Implementación de las curvas ROC en Python.mp4 296.5 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/7. La carga del dataset de imágenes.mp4 295.8 MB
  • 7. Regresión lineal con Python/5. Sumas de los cuadrados totales, de las diferencias y de la regresión.mp4 294.4 MB
  • 11. Máquinas de Soporte Vectorial/3. El problema de clasificación no óptimo.mp4 286.7 MB
  • 11. Máquinas de Soporte Vectorial/15. Práctica de SVM Clasificación de las flores de Iris.mp4 281.7 MB
  • 14. Análisis de componentes principales/6. Plotly, la librería de gráficos personalizados e interactivos.mp4 280.2 MB
  • 9. Clustering y clasificación/10. Un clustering completo por donde cortamos el dendrograma.mp4 275.9 MB
  • 9. Clustering y clasificación/6. Uniendo datos manualmente.mp4 265.8 MB
  • 9. Clustering y clasificación/14. Ejercicio Segmentación de los vinos.mp4 260.1 MB
  • 11. Máquinas de Soporte Vectorial/2. Las support vector machines.mp4 255.7 MB
  • 8. Regresión logística con Python/10. La selección de variables del dataset para el modelo logístico.mp4 255.3 MB
  • 7. Regresión lineal con Python/8. Interpretar los parámetros de la regresión.mp4 249.3 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/8. Correlación entre variables.mp4 246.7 MB
  • 10. Árboles y bosques aleatorios/7. Los problemas del árbol.mp4 245.9 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/3. Acerca de las redes neuronales y el deep learning.mp4 244.6 MB
  • 9. Clustering y clasificación/9. Un clustering completo representación del dendrograma.mp4 242.8 MB
  • 11. Máquinas de Soporte Vectorial/10. Los soportes de SVM.mp4 236.6 MB
  • 9. Clustering y clasificación/5. Métodos de enlace.mp4 234.9 MB
  • 7. Regresión lineal con Python/3. Demostración de la obtención de los parámetros del modelo lineal.mp4 228.4 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/13. Validación del modelo.mp4 227.0 MB
  • 7. Regresión lineal con Python/21. Otros problemas y consideraciones de la regresión lineal.mp4 226.4 MB
  • 11. Máquinas de Soporte Vectorial/4. Los núcleos no lineales y el problema de la dimensión.mp4 223.3 MB
  • 2. Instalando nuestra herramienta de trabajo/1. Cómo instalar Python con Anaconda Navigator.mp4 220.9 MB
  • 5. Operaciones de manejo de datos/23. Carga de cientos de datos distribuidos.mp4 219.4 MB
  • 14. Análisis de componentes principales/2. El problema de la dimensión.mp4 212.8 MB
  • 12. K Nearest Neighbors/2. Los k vecinos más cercanos.mp4 208.4 MB
  • 16. Juntar código de R y Python con la librería rpy2/7. La librería extRemes en acción desde Python.mp4 207.7 MB
  • 7. Regresión lineal con Python/2. Las matemáticas tras una regresión lineal.mp4 205.4 MB
  • 14. Análisis de componentes principales/13. Personalizando los gráficos de plotly.mp4 197.7 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/16. La regresión softmax.mp4 194.0 MB
  • 7. Regresión lineal con Python/10. Regresión lineal múltiple.mp4 192.4 MB
  • 5. Operaciones de manejo de datos/24. Ejercicio el data set de los juegos olímpicos.mp4 191.6 MB
  • 10. Árboles y bosques aleatorios/2. ¿Qué es un árbol de decisión.mp4 191.3 MB
  • 10. Árboles y bosques aleatorios/14. Random forests.mp4 186.0 MB
  • 17. ¿Qué nos depara el futuro/1. Proyecto final. ¿Qué me depara el futuro.mp4 183.6 MB
  • 7. Regresión lineal con Python/18. Enmascarado de variables categóricas redundantes.mp4 180.1 MB
  • 10. Árboles y bosques aleatorios/13. Árboles de regresión con Python.mp4 179.6 MB
  • 5. Operaciones de manejo de datos/1. Data Wrangling.mp4 176.6 MB
  • 5. Operaciones de manejo de datos/22. Concatenar dos datasets por filas.mp4 175.8 MB
  • 8. Regresión logística con Python/6. De la regresión lineal a la logística.mp4 175.3 MB
  • 5. Operaciones de manejo de datos/4. Buscar un subconjunto de datos de un dataset.mp4 175.2 MB
  • 9. Clustering y clasificación/8. Un clustering completo la fase de exploración de datos.mp4 171.0 MB
  • 7. Regresión lineal con Python/20. El problema de los outliers.mp4 169.1 MB
  • 5. Operaciones de manejo de datos/28. Ejemplos de joins con Python.mp4 166.7 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/9. Un resumen visual de imágenes.mp4 165.5 MB
  • 8. Regresión logística con Python/15. Las matrices de confusión y las curvas ROC.mp4 164.6 MB
  • 14. Análisis de componentes principales/9. La selección de las componentes principales.mp4 164.3 MB
  • 9. Clustering y clasificación/18. Propagación de la afinidad.mp4 164.0 MB
  • 9. Clustering y clasificación/19. Implementando la propagación de la afinidad.mp4 163.5 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/1. Los conceptos fundamentales de estadística.mp4 163.5 MB
  • 7. Regresión lineal con Python/9. Implementar una regresión lineal con Python.mp4 163.0 MB
  • 10. Árboles y bosques aleatorios/9. El tratamiento de ficheros dot.mp4 161.4 MB
  • 1. Introducción/1. Introducción.mp4 157.7 MB
  • 10. Árboles y bosques aleatorios/11. Los árboles de regresión.mp4 157.6 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/1. Redes neuronales del futuro.mp4 157.4 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/18. La fase de entrenamiento de la red neuronal.mp4 152.9 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/10. Pre procesado de imágenes previo al ML.mp4 152.6 MB
  • 8. Regresión logística con Python/2. Regresión lineal vs regresión logística.mp4 149.6 MB
  • 7. Regresión lineal con Python/1. La regresión lineal.mp4 149.5 MB
  • 10. Árboles y bosques aleatorios/3. Homogeneidad en los datos.mp4 149.0 MB
  • 11. Máquinas de Soporte Vectorial/16. Truco qué hacer cuando me toca hacer una análisis de datos.mp4 148.3 MB
  • 14. Análisis de componentes principales/14. Coloraciones y etiquetas de plotly.mp4 148.0 MB
  • 16. Juntar código de R y Python con la librería rpy2/9. Lo bueno de programación en Python, lo mejor de estadística con R.mp4 147.8 MB
  • 9. Clustering y clasificación/1. Clustering.mp4 147.2 MB
  • 9. Clustering y clasificación/12. El método de k-means.mp4 145.7 MB
  • 5. Operaciones de manejo de datos/25. Concatenar los datos con merge.mp4 145.5 MB
  • 8. Regresión logística con Python/12. Validación del modelo y evaluación del mismo.mp4 142.7 MB
  • 7. Regresión lineal con Python/7. Encontrando los coeficientes óptimos de la regresión.mp4 141.6 MB
  • 5. Operaciones de manejo de datos/18. Filtrado, Transformación y otras operaciones útiles.mp4 139.7 MB
  • 10. Árboles y bosques aleatorios/6. La poda del árbol.mp4 137.0 MB
  • 5. Operaciones de manejo de datos/26. Formas de cruzar tablas con joins.mp4 135.9 MB
  • 8. Regresión logística con Python/11. Implementar una regresión logística con Python.mp4 135.8 MB
  • 9. Clustering y clasificación/7. Clustering jerárquico en Python.mp4 135.4 MB
  • 10. Árboles y bosques aleatorios/17. ¿Por qué funcionan los random forests.mp4 135.0 MB
  • 9. Clustering y clasificación/16. El coeficiente de la silueta.mp4 135.0 MB
  • 10. Árboles y bosques aleatorios/8. Los árboles de clasificación con Python.mp4 134.6 MB
  • 12. K Nearest Neighbors/8. Nuestro algoritmo vs scikit-learn.mp4 133.4 MB
  • 5. Operaciones de manejo de datos/27. Eliminar datos de datasets con restricciones de conjunto.mp4 132.1 MB
  • 12. K Nearest Neighbors/7. Implementando la decisión por mayoría.mp4 130.0 MB
  • 8. Regresión logística con Python/4. Probabilidades condicionadas.mp4 129.8 MB
  • 8. Regresión logística con Python/17. Resumen de la regresión logística.mp4 127.9 MB
  • 11. Máquinas de Soporte Vectorial/11. Kernels no lineales.mp4 127.8 MB
  • 7. Regresión lineal con Python/15. Modelos lineales con variables categóricas.mp4 124.7 MB
  • 8. Regresión logística con Python/5. Cociente de probabilidades.mp4 124.6 MB
  • 9. Clustering y clasificación/4. Matriz de distancias en Python.mp4 124.5 MB
  • 5. Operaciones de manejo de datos/21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.mp4 124.2 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/6. Cómo hacer un contraste de hipótesis paso a paso.mp4 123.9 MB
  • 13. Sistemas de recomendación/9. Filtrando con los K nearest neighbors.mp4 121.6 MB
  • 9. Clustering y clasificación/21. Los K medoides y el clustering espectral.mp4 121.3 MB
  • 7. Regresión lineal con Python/22. Un resumen de la regresión lineal.mp4 120.2 MB
  • 13. Sistemas de recomendación/1. El rol de las recomendaciones dinámicas en el siglo XXI.mp4 120.2 MB
  • 11. Máquinas de Soporte Vectorial/13. Ajustando las SVM.mp4 119.4 MB
  • 5. Operaciones de manejo de datos/17. Agregación de datos.mp4 117.8 MB
  • 11. Máquinas de Soporte Vectorial/17. SVM para regresión.mp4 116.2 MB
  • 13. Sistemas de recomendación/10. Sistemas de Recomendación basados en Ítems.mp4 115.9 MB
  • 9. Clustering y clasificación/11. Un clustering completo visualización final del clustering.mp4 115.6 MB
  • 16. Juntar código de R y Python con la librería rpy2/8. Rmagic.mp4 114.4 MB
  • 11. Máquinas de Soporte Vectorial/1. Las máquinas de soporte vectorial.mp4 113.1 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/7. Test de la chi cuadrado.mp4 112.5 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/11. Creación del modelo.mp4 112.1 MB
  • 8. Regresión logística con Python/14. Validación cruzada con Python.mp4 111.9 MB
  • 10. Árboles y bosques aleatorios/10. La validación cruzada en un árbol de clasificación.mp4 111.3 MB
  • 7. Regresión lineal con Python/12. Validando nuestro modelo.mp4 109.0 MB
  • 16. Juntar código de R y Python con la librería rpy2/5. Llevando objetos de Python a R.mp4 108.6 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/12. Entrenamiento del modelo.mp4 106.3 MB
  • 8. Regresión logística con Python/13. La validación cruzada.mp4 103.7 MB
  • 7. Regresión lineal con Python/11. El problema de la multicolinealidad.mp4 102.1 MB
  • 12. K Nearest Neighbors/4. Clasificación según los K vecinos.mp4 99.2 MB
  • 11. Máquinas de Soporte Vectorial/12. Radial basis function.mp4 98.4 MB
  • 10. Árboles y bosques aleatorios/12. El dataset de las casas de Boston y Kaggle.mp4 98.0 MB
  • 14. Análisis de componentes principales/12. Más gráficos con Plotly.mp4 97.6 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/5. Los contrastes de hipótesis.mp4 97.4 MB
  • 10. Árboles y bosques aleatorios/15. Random forests para regresión.mp4 96.0 MB
  • 16. Juntar código de R y Python con la librería rpy2/2. Instalar la librería rpy2.mp4 93.0 MB
  • 14. Análisis de componentes principales/1. Análisis de Componentes principales.mp4 92.3 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/4. Muestreo aleatorio y el teorema central del límite.mp4 92.1 MB
  • 14. Análisis de componentes principales/10. La proyección en el subespacio vectorial resultante.mp4 91.7 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/5. Instalando TensorFlow en tu ordenador.mp4 91.0 MB
  • 5. Operaciones de manejo de datos/16. Agrupación de los datos por categorías.mp4 90.9 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/8. Análisis exploratorio de los datos.mp4 88.9 MB
  • 3. Una introducción al análisis predictivo y al Machine Learning/4. Aplicaciones y ejemplos del mundo del Data Science.mp4 88.5 MB
  • 7. Regresión lineal con Python/14. Regresión lineal con scikit-learn.mp4 88.4 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/17. Tensorflow y la regresión softmax.mp4 87.9 MB
  • 13. Sistemas de recomendación/12. Los resultados finales.mp4 87.5 MB
  • 14. Análisis de componentes principales/7. Los valores y vectores propios de la matriz de covarianzas.mp4 86.7 MB
  • 9. Clustering y clasificación/13. Implementando k-means con Python.mp4 86.7 MB
  • 10. Árboles y bosques aleatorios/1. Árboles y bosques aleatorios.mp4 84.4 MB
  • 5. Operaciones de manejo de datos/15. Un dummy data frame con variables categóricas.mp4 82.2 MB
  • 9. Clustering y clasificación/22. Resumen del clustering.mp4 79.8 MB
  • 8. Regresión logística con Python/1. La regresión logística.mp4 78.3 MB
  • 13. Sistemas de recomendación/2. El dataset de películas de Movie Lens.mp4 76.3 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/19. La fase de evaluación de la red neuronal.mp4 75.1 MB
  • 14. Análisis de componentes principales/11. Implementación de ACP con sklearn.mp4 74.8 MB
  • 16. Juntar código de R y Python con la librería rpy2/1. Cuando Python conoce a R, no hay límites en el Big Data.mp4 74.6 MB
  • 2. Instalando nuestra herramienta de trabajo/4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.mp4 74.0 MB
  • 9. Clustering y clasificación/20. Generando distribuciones en forma de anillo.mp4 73.7 MB
  • 9. Clustering y clasificación/15. El método del codo.mp4 72.4 MB
  • 16. Juntar código de R y Python con la librería rpy2/4. Llevando objetos de R a Python.mp4 72.3 MB
  • 14. Análisis de componentes principales/8. La matriz de correlaciones y el Singular Value Decomposition.mp4 70.3 MB
  • 10. Árboles y bosques aleatorios/18. Resumen de árboles y bosques aleatorios.mp4 70.3 MB
  • 8. Regresión logística con Python/3. Las matemáticas detrás de la regresión logística.mp4 69.6 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/14. El dataset de reconocimiento de dígitos.mp4 69.6 MB
  • 12. K Nearest Neighbors/3. Limpieza del dataset del Cancer.mp4 69.5 MB
  • 12. K Nearest Neighbors/6. Creando los datos para la clasificación.mp4 68.7 MB
  • 12. K Nearest Neighbors/5. Clasificando nuevos datos de los tests médicos.mp4 68.0 MB
  • 12. K Nearest Neighbors/1. La decisión de los K vecinos.mp4 67.4 MB
  • 16. Juntar código de R y Python con la librería rpy2/6. Cómo instalar y cargar paquetes de R desde Python.mp4 66.5 MB
  • 11. Máquinas de Soporte Vectorial/8. El problema de la separación.mp4 64.7 MB
  • 11. Máquinas de Soporte Vectorial/7. Representación gráfica del hiperplano separador en 2D.mp4 63.1 MB
  • 12. K Nearest Neighbors/9. Una opinión final sobre los algoritmos de Machine Learning.mp4 61.2 MB
  • 10. Árboles y bosques aleatorios/16. Random forest para clasificación.mp4 60.7 MB
  • 11. Máquinas de Soporte Vectorial/6. Creando el modelo clasificador lineal.mp4 60.4 MB
  • 13. Sistemas de recomendación/6. La matriz de similaridad entre usuarios.mp4 60.2 MB
  • 13. Sistemas de recomendación/7. Predecir la valoración de un ítem para un usuario.mp4 59.7 MB
  • 13. Sistemas de recomendación/11. Recomendando con los K items más parecidos.mp4 58.3 MB
  • 4. Limpieza de Datos/14. Ejercicio descargar y procesar datos desde una URL externa.mp4 57.9 MB
  • 5. Operaciones de manejo de datos/19. Conjunto de entrenamiento y de testing.mp4 56.5 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/2. Introducción a Tensor Flow.mp4 55.1 MB
  • 7. Regresión lineal con Python/13. El resumen de todos los modelos lineales creados.mp4 54.8 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/2. Un resumen de los estadísticos básicos (en R).mp4 53.9 MB
  • 3. Una introducción al análisis predictivo y al Machine Learning/2. ¿Qué es el análisis predictivo de datos.mp4 49.7 MB
  • 7. Regresión lineal con Python/4. Errores normalmente distribuidos.mp4 47.3 MB
  • 2. Instalando nuestra herramienta de trabajo/2. Las librerías estándar de Machine Learning en Python.mp4 46.4 MB
  • 2. Instalando nuestra herramienta de trabajo/8. Comunidad de estudiantes del curso.mp4 45.9 MB
  • 4. Limpieza de Datos/15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.mp4 45.9 MB
  • 14. Análisis de componentes principales/4. Implementando nuestro propio ACP en Python.mp4 45.4 MB
  • 5. Operaciones de manejo de datos/6. Subconjuntos de filas con ciertas condiciones.mp4 44.1 MB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/15. De datos desestructurados a espacios vectoriales n-dimensionales.mp4 43.9 MB
  • 11. Máquinas de Soporte Vectorial/9. Maximizar el margen de clasificación.mp4 42.7 MB
  • 3. Una introducción al análisis predictivo y al Machine Learning/1. Ser Data Scientist es la profesión más sexy del siglo XXI.mp4 42.2 MB
  • 11. Máquinas de Soporte Vectorial/5. Soporte Vectorial Clasificador Lineal.mp4 41.8 MB
  • 13. Sistemas de recomendación/3. Análisis exploratorio de los datos y distribución de las valoraciones.mp4 41.0 MB
  • 13. Sistemas de recomendación/4. Esparseidad de los datos.mp4 40.4 MB
  • 4. Limpieza de Datos/12. Leer los datos desde una URL externa.mp4 39.7 MB
  • 5. Operaciones de manejo de datos/13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.mp4 39.4 MB
  • 5. Operaciones de manejo de datos/30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.mp4 39.3 MB
  • 4. Limpieza de Datos/17. Qué hacer cuando faltan valores en el dataset.mp4 38.8 MB
  • 1. Introducción/2. Pre requisitos del curso.mp4 38.2 MB
  • 17. ¿Qué nos depara el futuro/3. Nos vemos en el próximo curso.mp4 37.8 MB
  • 5. Operaciones de manejo de datos/8. Generar números aleatorios.mp4 36.9 MB
  • 2. Instalando nuestra herramienta de trabajo/3. Los editores para programar en Python.mp4 32.2 MB
  • 4. Limpieza de Datos/8. Ejemplos de diferentes carga de datos con read_csv.mp4 31.2 MB
  • 4. Limpieza de Datos/1. Data Cleaning.mp4 30.5 MB
  • 4. Limpieza de Datos/6. Leer datos procedentes de un CSV.mp4 29.9 MB
  • 5. Operaciones de manejo de datos/29. Ya conoces las bases del manejo de datos.mp4 28.1 MB
  • 5. Operaciones de manejo de datos/7. Subconjuntos con loc e iloc y creación de nuevas columnas.mp4 28.0 MB
  • 13. Sistemas de recomendación/5. División en entrenamiento y validación.mp4 27.5 MB
  • 4. Limpieza de Datos/7. Los parámetros de la función read_csv.mp4 27.2 MB
  • 4. Limpieza de Datos/2. El concepto de data frame.mp4 26.3 MB
  • 4. Limpieza de Datos/19. Visualización básica de un dataset el scatterplot.mp4 25.1 MB
  • 4. Limpieza de Datos/16. ¿Por qué faltan valores en los data sets.mp4 25.0 MB
  • 4. Limpieza de Datos/9. El método open para la carga manual de datos.mp4 24.0 MB
  • 5. Operaciones de manejo de datos/12. La distribución Normal.mp4 23.9 MB
  • 4. Limpieza de Datos/13. La carga de datos desde una hoja de cálculo.mp4 22.9 MB
  • 4. Limpieza de Datos/11. Leer y escribir en un fichero con Python.mp4 22.3 MB
  • 4. Limpieza de Datos/18. Las variables dummy.mp4 22.0 MB
  • 4. Limpieza de Datos/21. Visualización básica de un dataset el boxplot.mp4 21.8 MB
  • 2. Instalando nuestra herramienta de trabajo/7. Las 5 etapas del análisis de datos.mp4 21.0 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/9. Un resumen de lo aprendido.mp4 20.8 MB
  • 4. Limpieza de Datos/20. Visualización básica de un dataset el histograma de frecuencias.mp4 19.4 MB
  • 3. Una introducción al análisis predictivo y al Machine Learning/3. Data Scientist = Matemáticas + Programación + Business.mp4 18.9 MB
  • 5. Operaciones de manejo de datos/14. Generando dummy data frames.mp4 18.5 MB
  • 1. Introducción/4. Acerca de la valoración prematura del curso en Udemy.mp4 14.7 MB
  • 5. Operaciones de manejo de datos/11. La distribución uniforme.mp4 12.9 MB
  • 4. Limpieza de Datos/3. El repositorio Git del curso.mp4 11.4 MB
  • 5. Operaciones de manejo de datos/9. La semilla de la generación aleatoria.mp4 8.7 MB
  • 5. Operaciones de manejo de datos/10. Funciones de distribución de probabilidades.mp4 7.1 MB
  • 1. Introducción/3. Conoce a tu instructor online, Juan Gabriel Gomila.mp4 6.4 MB
  • 5. Operaciones de manejo de datos/2.1 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg 2.4 MB
  • 5. Operaciones de manejo de datos/2.2 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg 2.4 MB
  • 5. Operaciones de manejo de datos/2.2 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg 2.3 MB
  • 5. Operaciones de manejo de datos/2.1 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg 2.3 MB
  • 6. Conceptos básicos de estadística para la modelización predictiva/3.1 Datos estadisticos (1).pdf 140.0 kB
  • 8. Regresión logística con Python/8. Crear un modelo logístico desde cero.srt 53.4 kB
  • 8. Regresión logística con Python/7. Estimación con el método de máxima verosimilitud.srt 45.2 kB
  • 2. Instalando nuestra herramienta de trabajo/1. Cómo instalar Python con Anaconda Navigator.srt 39.6 kB
  • 9. Clustering y clasificación/17. Implementando la técnica del codo y el coeficiente de la silueta.srt 37.8 kB
  • 8. Regresión logística con Python/16. Implementación de las curvas ROC en Python.srt 36.7 kB
  • 9. Clustering y clasificación/10. Un clustering completo por donde cortamos el dendrograma.srt 35.9 kB
  • 7. Regresión lineal con Python/19. Transformar las variables en relaciones no lineales.srt 35.9 kB
  • 11. Máquinas de Soporte Vectorial/14. Práctica de SVM reconocimiento facial a lo CSI.srt 35.1 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/2. Un resumen de los estadísticos básicos (en R).srt 34.5 kB
  • 7. Regresión lineal con Python/5. Sumas de los cuadrados totales, de las diferencias y de la regresión.srt 34.4 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/8. Correlación entre variables.srt 34.1 kB
  • 8. Regresión logística con Python/9. Análisis exploratorio de los datos.srt 34.0 kB
  • 3. Una introducción al análisis predictivo y al Machine Learning/4. Aplicaciones y ejemplos del mundo del Data Science.srt 32.5 kB
  • 9. Clustering y clasificación/9. Un clustering completo representación del dendrograma.srt 31.9 kB
  • 11. Máquinas de Soporte Vectorial/15. Práctica de SVM Clasificación de las flores de Iris.srt 31.8 kB
  • 9. Clustering y clasificación/14. Ejercicio Segmentación de los vinos.srt 31.1 kB
  • 14. Análisis de componentes principales/3. Demostración de cómo se hace un ACP.srt 30.4 kB
  • 14. Análisis de componentes principales/6. Plotly, la librería de gráficos personalizados e interactivos.srt 30.2 kB
  • 9. Clustering y clasificación/6. Uniendo datos manualmente.srt 29.5 kB
  • 7. Regresión lineal con Python/16. Variables categóricas en una regresión lineal.srt 29.4 kB
  • 11. Máquinas de Soporte Vectorial/10. Los soportes de SVM.srt 27.9 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/7. La carga del dataset de imágenes.srt 27.4 kB
  • 7. Regresión lineal con Python/10. Regresión lineal múltiple.srt 27.1 kB
  • 2. Instalando nuestra herramienta de trabajo/2. Las librerías estándar de Machine Learning en Python.srt 25.6 kB
  • 16. Juntar código de R y Python con la librería rpy2/7. La librería extRemes en acción desde Python.srt 25.6 kB
  • 5. Operaciones de manejo de datos/13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.srt 25.5 kB
  • 3. Una introducción al análisis predictivo y al Machine Learning/2. ¿Qué es el análisis predictivo de datos.srt 24.8 kB
  • 5. Operaciones de manejo de datos/23. Carga de cientos de datos distribuidos.srt 24.6 kB
  • 4. Limpieza de Datos/14. Ejercicio descargar y procesar datos desde una URL externa.srt 24.4 kB
  • 7. Regresión lineal con Python/9. Implementar una regresión lineal con Python.srt 24.2 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/6. Cómo hacer un contraste de hipótesis paso a paso.srt 24.0 kB
  • 5. Operaciones de manejo de datos/8. Generar números aleatorios.srt 23.8 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/13. Validación del modelo.srt 23.8 kB
  • 9. Clustering y clasificación/3. El concepto de distancia.srt 23.1 kB
  • 5. Operaciones de manejo de datos/4. Buscar un subconjunto de datos de un dataset.srt 22.9 kB
  • 8. Regresión logística con Python/6. De la regresión lineal a la logística.srt 22.9 kB
  • 9. Clustering y clasificación/2. ¿Qué es y para qué sirve el clustering.srt 22.5 kB
  • 8. Regresión logística con Python/10. La selección de variables del dataset para el modelo logístico.srt 22.3 kB
  • 4. Limpieza de Datos/7. Los parámetros de la función read_csv.srt 21.6 kB
  • 4. Limpieza de Datos/17. Qué hacer cuando faltan valores en el dataset.srt 21.3 kB
  • 5. Operaciones de manejo de datos/6. Subconjuntos de filas con ciertas condiciones.srt 21.2 kB
  • 5. Operaciones de manejo de datos/24. Ejercicio el data set de los juegos olímpicos.srt 21.2 kB
  • 7. Regresión lineal con Python/3. Demostración de la obtención de los parámetros del modelo lineal.srt 20.9 kB
  • 4. Limpieza de Datos/15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.srt 20.8 kB
  • 9. Clustering y clasificación/19. Implementando la propagación de la afinidad.srt 20.6 kB
  • 10. Árboles y bosques aleatorios/13. Árboles de regresión con Python.srt 20.4 kB
  • 14. Análisis de componentes principales/9. La selección de las componentes principales.srt 20.2 kB
  • 3. Una introducción al análisis predictivo y al Machine Learning/1. Ser Data Scientist es la profesión más sexy del siglo XXI.srt 19.9 kB
  • 11. Máquinas de Soporte Vectorial/17. SVM para regresión.srt 19.8 kB
  • 5. Operaciones de manejo de datos/7. Subconjuntos con loc e iloc y creación de nuevas columnas.srt 19.7 kB
  • 10. Árboles y bosques aleatorios/5. Algoritmos para la generación de árboles de clasificación.srt 19.7 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/9. Un resumen visual de imágenes.srt 19.7 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/7. Test de la chi cuadrado.srt 19.5 kB
  • 12. K Nearest Neighbors/7. Implementando la decisión por mayoría.srt 19.3 kB
  • 10. Árboles y bosques aleatorios/4. Entropía y ganancia de Información.srt 19.2 kB
  • 10. Árboles y bosques aleatorios/8. Los árboles de clasificación con Python.srt 19.2 kB
  • 14. Análisis de componentes principales/13. Personalizando los gráficos de plotly.srt 19.2 kB
  • 9. Clustering y clasificación/8. Un clustering completo la fase de exploración de datos.srt 18.8 kB
  • 5. Operaciones de manejo de datos/22. Concatenar dos datasets por filas.srt 18.6 kB
  • 5. Operaciones de manejo de datos/12. La distribución Normal.srt 18.6 kB
  • 10. Árboles y bosques aleatorios/9. El tratamiento de ficheros dot.srt 18.1 kB
  • 7. Regresión lineal con Python/20. El problema de los outliers.srt 18.0 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/10. Pre procesado de imágenes previo al ML.srt 18.0 kB
  • 8. Regresión logística con Python/12. Validación del modelo y evaluación del mismo.srt 17.9 kB
  • 7. Regresión lineal con Python/18. Enmascarado de variables categóricas redundantes.srt 17.8 kB
  • 5. Operaciones de manejo de datos/26. Formas de cruzar tablas con joins.srt 17.7 kB
  • 9. Clustering y clasificación/21. Los K medoides y el clustering espectral.srt 17.7 kB
  • 11. Máquinas de Soporte Vectorial/16. Truco qué hacer cuando me toca hacer una análisis de datos.srt 17.6 kB
  • 7. Regresión lineal con Python/8. Interpretar los parámetros de la regresión.srt 17.5 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/18. La fase de entrenamiento de la red neuronal.srt 17.4 kB
  • 4. Limpieza de Datos/8. Ejemplos de diferentes carga de datos con read_csv.srt 17.4 kB
  • 2. Instalando nuestra herramienta de trabajo/7. Las 5 etapas del análisis de datos.srt 17.4 kB
  • 8. Regresión logística con Python/13. La validación cruzada.srt 17.2 kB
  • 5. Operaciones de manejo de datos/28. Ejemplos de joins con Python.srt 17.1 kB
  • 4. Limpieza de Datos/9. El método open para la carga manual de datos.srt 17.0 kB
  • 10. Árboles y bosques aleatorios/7. Los problemas del árbol.srt 17.0 kB
  • 9. Clustering y clasificación/7. Clustering jerárquico en Python.srt 17.0 kB
  • 8. Regresión logística con Python/11. Implementar una regresión logística con Python.srt 16.9 kB
  • 5. Operaciones de manejo de datos/18. Filtrado, Transformación y otras operaciones útiles.srt 16.7 kB
  • 14. Análisis de componentes principales/14. Coloraciones y etiquetas de plotly.srt 16.6 kB
  • 4. Limpieza de Datos/16. ¿Por qué faltan valores en los data sets.srt 16.6 kB
  • 11. Máquinas de Soporte Vectorial/3. El problema de clasificación no óptimo.srt 16.5 kB
  • 4. Limpieza de Datos/19. Visualización básica de un dataset el scatterplot.srt 16.4 kB
  • 7. Regresión lineal con Python/7. Encontrando los coeficientes óptimos de la regresión.srt 16.3 kB
  • 16. Juntar código de R y Python con la librería rpy2/9. Lo bueno de programación en Python, lo mejor de estadística con R.srt 16.2 kB
  • 4. Limpieza de Datos/6. Leer datos procedentes de un CSV.srt 16.0 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/4. Muestreo aleatorio y el teorema central del límite.srt 15.9 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/11. Creación del modelo.srt 15.8 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/5. Los contrastes de hipótesis.srt 15.8 kB
  • 7. Regresión lineal con Python/12. Validando nuestro modelo.srt 15.7 kB
  • 5. Operaciones de manejo de datos/21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.srt 15.6 kB
  • 4. Limpieza de Datos/18. Las variables dummy.srt 15.5 kB
  • 4. Limpieza de Datos/21. Visualización básica de un dataset el boxplot.srt 15.4 kB
  • 13. Sistemas de recomendación/9. Filtrando con los K nearest neighbors.srt 15.3 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/5. Instalando TensorFlow en tu ordenador.srt 15.3 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/3. Acerca de las redes neuronales y el deep learning.srt 15.2 kB
  • 2. Instalando nuestra herramienta de trabajo/4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.srt 15.1 kB
  • 5. Operaciones de manejo de datos/25. Concatenar los datos con merge.srt 15.0 kB
  • 9. Clustering y clasificación/5. Métodos de enlace.srt 14.8 kB
  • 9. Clustering y clasificación/4. Matriz de distancias en Python.srt 14.8 kB
  • 8. Regresión logística con Python/14. Validación cruzada con Python.srt 14.8 kB
  • 3. Una introducción al análisis predictivo y al Machine Learning/3. Data Scientist = Matemáticas + Programación + Business.srt 14.7 kB
  • 11. Máquinas de Soporte Vectorial/13. Ajustando las SVM.srt 14.7 kB
  • 8. Regresión logística con Python/5. Cociente de probabilidades.srt 14.6 kB
  • 8. Regresión logística con Python/4. Probabilidades condicionadas.srt 14.6 kB
  • 11. Máquinas de Soporte Vectorial/2. Las support vector machines.srt 14.4 kB
  • 4. Limpieza de Datos/12. Leer los datos desde una URL externa.srt 14.4 kB
  • 12. K Nearest Neighbors/8. Nuestro algoritmo vs scikit-learn.srt 14.3 kB
  • 12. K Nearest Neighbors/2. Los k vecinos más cercanos.srt 14.2 kB
  • 8. Regresión logística con Python/3. Las matemáticas detrás de la regresión logística.srt 14.0 kB
  • 7. Regresión lineal con Python/21. Otros problemas y consideraciones de la regresión lineal.srt 13.8 kB
  • 10. Árboles y bosques aleatorios/10. La validación cruzada en un árbol de clasificación.srt 13.7 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/17. Tensorflow y la regresión softmax.srt 13.6 kB
  • 11. Máquinas de Soporte Vectorial/11. Kernels no lineales.srt 13.5 kB
  • 7. Regresión lineal con Python/11. El problema de la multicolinealidad.srt 13.5 kB
  • 14. Análisis de componentes principales/2. El problema de la dimensión.srt 13.3 kB
  • 5. Operaciones de manejo de datos/27. Eliminar datos de datasets con restricciones de conjunto.srt 13.2 kB
  • 16. Juntar código de R y Python con la librería rpy2/8. Rmagic.srt 13.2 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/8. Análisis exploratorio de los datos.srt 13.1 kB
  • 16. Juntar código de R y Python con la librería rpy2/5. Llevando objetos de Python a R.srt 12.8 kB
  • 17. ¿Qué nos depara el futuro/1. Proyecto final. ¿Qué me depara el futuro.srt 12.8 kB
  • 11. Máquinas de Soporte Vectorial/4. Los núcleos no lineales y el problema de la dimensión.srt 12.6 kB
  • 2. Instalando nuestra herramienta de trabajo/3. Los editores para programar en Python.srt 12.5 kB
  • 5. Operaciones de manejo de datos/15. Un dummy data frame con variables categóricas.srt 12.5 kB
  • 5. Operaciones de manejo de datos/17. Agregación de datos.srt 12.5 kB
  • 7. Regresión lineal con Python/14. Regresión lineal con scikit-learn.srt 12.4 kB
  • 10. Árboles y bosques aleatorios/12. El dataset de las casas de Boston y Kaggle.srt 12.3 kB
  • 5. Operaciones de manejo de datos/14. Generando dummy data frames.srt 12.2 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/12. Entrenamiento del modelo.srt 12.1 kB
  • 7. Regresión lineal con Python/2. Las matemáticas tras una regresión lineal.srt 12.0 kB
  • 4. Limpieza de Datos/2. El concepto de data frame.srt 11.9 kB
  • 10. Árboles y bosques aleatorios/2. ¿Qué es un árbol de decisión.srt 11.9 kB
  • 9. Clustering y clasificación/11. Un clustering completo visualización final del clustering.srt 11.7 kB
  • 10. Árboles y bosques aleatorios/15. Random forests para regresión.srt 11.6 kB
  • 4. Limpieza de Datos/20. Visualización básica de un dataset el histograma de frecuencias.srt 11.6 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/16. La regresión softmax.srt 11.6 kB
  • 9. Clustering y clasificación/20. Generando distribuciones en forma de anillo.srt 11.5 kB
  • 13. Sistemas de recomendación/10. Sistemas de Recomendación basados en Ítems.srt 11.4 kB
  • 12. K Nearest Neighbors/6. Creando los datos para la clasificación.srt 11.3 kB
  • 10. Árboles y bosques aleatorios/14. Random forests.srt 11.3 kB
  • 14. Análisis de componentes principales/12. Más gráficos con Plotly.srt 11.3 kB
  • 12. K Nearest Neighbors/4. Clasificación según los K vecinos.srt 11.1 kB
  • 14. Análisis de componentes principales/7. Los valores y vectores propios de la matriz de covarianzas.srt 11.0 kB
  • 13. Sistemas de recomendación/12. Los resultados finales.srt 11.0 kB
  • 14. Análisis de componentes principales/10. La proyección en el subespacio vectorial resultante.srt 10.7 kB
  • 16. Juntar código de R y Python con la librería rpy2/2. Instalar la librería rpy2.srt 10.7 kB
  • 11. Máquinas de Soporte Vectorial/8. El problema de la separación.srt 10.7 kB
  • 5. Operaciones de manejo de datos/11. La distribución uniforme.srt 10.5 kB
  • 8. Regresión logística con Python/15. Las matrices de confusión y las curvas ROC.srt 10.2 kB
  • 5. Operaciones de manejo de datos/1. Data Wrangling.srt 10.1 kB
  • 14. Análisis de componentes principales/4. Implementando nuestro propio ACP en Python.srt 10.1 kB
  • 11. Máquinas de Soporte Vectorial/12. Radial basis function.srt 10.1 kB
  • 9. Clustering y clasificación/13. Implementando k-means con Python.srt 10.0 kB
  • 11. Máquinas de Soporte Vectorial/6. Creando el modelo clasificador lineal.srt 9.9 kB
  • 10. Árboles y bosques aleatorios/11. Los árboles de regresión.srt 9.8 kB
  • 8. Regresión logística con Python/2. Regresión lineal vs regresión logística.srt 9.7 kB
  • 9. Clustering y clasificación/16. El coeficiente de la silueta.srt 9.5 kB
  • 4. Limpieza de Datos/13. La carga de datos desde una hoja de cálculo.srt 9.5 kB
  • 12. K Nearest Neighbors/3. Limpieza del dataset del Cancer.srt 9.4 kB
  • 12. K Nearest Neighbors/9. Una opinión final sobre los algoritmos de Machine Learning.srt 9.1 kB
  • 14. Análisis de componentes principales/11. Implementación de ACP con sklearn.srt 9.0 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/1. Los conceptos fundamentales de estadística.srt 9.0 kB
  • 9. Clustering y clasificación/18. Propagación de la afinidad.srt 9.0 kB
  • 4. Limpieza de Datos/11. Leer y escribir en un fichero con Python.srt 8.9 kB
  • 13. Sistemas de recomendación/2. El dataset de películas de Movie Lens.srt 8.9 kB
  • 7. Regresión lineal con Python/1. La regresión lineal.srt 8.9 kB
  • 9. Clustering y clasificación/12. El método de k-means.srt 8.8 kB
  • 16. Juntar código de R y Python con la librería rpy2/4. Llevando objetos de R a Python.srt 8.8 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/1. Redes neuronales del futuro.srt 8.7 kB
  • 11. Máquinas de Soporte Vectorial/5. Soporte Vectorial Clasificador Lineal.srt 8.7 kB
  • 10. Árboles y bosques aleatorios/3. Homogeneidad en los datos.srt 8.7 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/14. El dataset de reconocimiento de dígitos.srt 8.6 kB
  • 12. K Nearest Neighbors/5. Clasificando nuevos datos de los tests médicos.srt 8.5 kB
  • 5. Operaciones de manejo de datos/16. Agrupación de los datos por categorías.srt 8.5 kB
  • 11. Máquinas de Soporte Vectorial/7. Representación gráfica del hiperplano separador en 2D.srt 8.2 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/19. La fase de evaluación de la red neuronal.srt 8.1 kB
  • 8. Regresión logística con Python/17. Resumen de la regresión logística.srt 8.1 kB
  • 9. Clustering y clasificación/1. Clustering.srt 8.1 kB
  • 10. Árboles y bosques aleatorios/17. ¿Por qué funcionan los random forests.srt 8.0 kB
  • 13. Sistemas de recomendación/6. La matriz de similaridad entre usuarios.srt 8.0 kB
  • 1. Introducción/1. Introducción.srt 7.9 kB
  • 7. Regresión lineal con Python/15. Modelos lineales con variables categóricas.srt 7.8 kB
  • 7. Regresión lineal con Python/22. Un resumen de la regresión lineal.srt 7.7 kB
  • 14. Análisis de componentes principales/8. La matriz de correlaciones y el Singular Value Decomposition.srt 7.6 kB
  • 10. Árboles y bosques aleatorios/6. La poda del árbol.srt 7.6 kB
  • 13. Sistemas de recomendación/3. Análisis exploratorio de los datos y distribución de las valoraciones.srt 7.5 kB
  • 13. Sistemas de recomendación/4. Esparseidad de los datos.srt 7.3 kB
  • 13. Sistemas de recomendación/1. El rol de las recomendaciones dinámicas en el siglo XXI.srt 7.3 kB
  • 7. Regresión lineal con Python/13. El resumen de todos los modelos lineales creados.srt 7.3 kB
  • 13. Sistemas de recomendación/7. Predecir la valoración de un ítem para un usuario.srt 7.0 kB
  • 5. Operaciones de manejo de datos/19. Conjunto de entrenamiento y de testing.srt 7.0 kB
  • 5. Operaciones de manejo de datos/10. Funciones de distribución de probabilidades.srt 6.9 kB
  • 5. Operaciones de manejo de datos/9. La semilla de la generación aleatoria.srt 6.8 kB
  • 4. Limpieza de Datos/3. El repositorio Git del curso.srt 6.8 kB
  • 13. Sistemas de recomendación/11. Recomendando con los K items más parecidos.srt 6.7 kB
  • 2. Instalando nuestra herramienta de trabajo/4.1 Archivo comprimido.zip 6.7 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/2. Introducción a Tensor Flow.srt 6.7 kB
  • 16. Juntar código de R y Python con la librería rpy2/6. Cómo instalar y cargar paquetes de R desde Python.srt 6.5 kB
  • 2. Instalando nuestra herramienta de trabajo/6. IMPORTANTE Para los que la instalación del environment os da error.html 6.3 kB
  • 4. Limpieza de Datos/1. Data Cleaning.srt 6.1 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/15. De datos desestructurados a espacios vectoriales n-dimensionales.srt 5.9 kB
  • 10. Árboles y bosques aleatorios/16. Random forest para clasificación.srt 5.8 kB
  • 11. Máquinas de Soporte Vectorial/1. Las máquinas de soporte vectorial.srt 5.8 kB
  • 11. Máquinas de Soporte Vectorial/9. Maximizar el margen de clasificación.srt 5.8 kB
  • 9. Clustering y clasificación/22. Resumen del clustering.srt 5.2 kB
  • 14. Análisis de componentes principales/1. Análisis de Componentes principales.srt 5.0 kB
  • 9. Clustering y clasificación/15. El método del codo.srt 5.0 kB
  • 5. Operaciones de manejo de datos/29. Ya conoces las bases del manejo de datos.srt 4.8 kB
  • 10. Árboles y bosques aleatorios/18. Resumen de árboles y bosques aleatorios.srt 4.8 kB
  • 2. Instalando nuestra herramienta de trabajo/8. Comunidad de estudiantes del curso.srt 4.8 kB
  • 8. Regresión logística con Python/1. La regresión logística.srt 4.5 kB
  • 13. Sistemas de recomendación/5. División en entrenamiento y validación.srt 4.5 kB
  • 1. Introducción/4. Acerca de la valoración prematura del curso en Udemy.srt 4.4 kB
  • 10. Árboles y bosques aleatorios/1. Árboles y bosques aleatorios.srt 4.3 kB
  • 16. Juntar código de R y Python con la librería rpy2/1. Cuando Python conoce a R, no hay límites en el Big Data.srt 4.2 kB
  • 6. Conceptos básicos de estadística para la modelización predictiva/9. Un resumen de lo aprendido.srt 4.1 kB
  • 12. K Nearest Neighbors/1. La decisión de los K vecinos.srt 3.9 kB
  • 1. Introducción/3. Conoce a tu instructor online, Juan Gabriel Gomila.srt 3.2 kB
  • 7. Regresión lineal con Python/4. Errores normalmente distribuidos.srt 2.8 kB
  • 1. Introducción/2. Pre requisitos del curso.srt 2.5 kB
  • 5. Operaciones de manejo de datos/30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.srt 2.4 kB
  • 17. ¿Qué nos depara el futuro/3. Nos vemos en el próximo curso.srt 2.2 kB
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/6. Si tienes problemas con la instalación de TensorFlow.html 2.1 kB
  • 7. Regresión lineal con Python/6. Ejercicio demostrar que SST = SSR + SSD.html 1.9 kB
  • 13. Sistemas de recomendación/8. Corrección Error en la clase anterior.html 1.5 kB
  • 2. Instalando nuestra herramienta de trabajo/9. Algunos cambios en la versión 3.7 de Python.html 1.3 kB
  • 2. Instalando nuestra herramienta de trabajo/5. IMPORTANTE Si el entorno anterior no funciona, prueba con el adjunto aquí.html 1.1 kB
  • 16. Juntar código de R y Python con la librería rpy2/3. Nota adicional para instalar rpy2 en Windows.html 1.0 kB
  • 2. Instalando nuestra herramienta de trabajo/5.1 environment.yaml.zip 717 Bytes
  • 5. Operaciones de manejo de datos/20. Atualización cómo dividir conjunto de entrenamiento y test.html 659 Bytes
  • 4. Limpieza de Datos/10. Cuidado con el método open.html 588 Bytes
  • 4. Limpieza de Datos/5. Acerca de las barras en Windows.html 568 Bytes
  • 17. ¿Qué nos depara el futuro/4. Un regalo para ti.html 555 Bytes
  • 14. Análisis de componentes principales/5. Cuidado con la siguiente libreria, plotly.html 540 Bytes
  • 5. Operaciones de manejo de datos/3. Fe de erratas.html 508 Bytes
  • 17. ¿Qué nos depara el futuro/2. Ejemplo dashboard con las valoraciones de las películas.html 494 Bytes
  • 5. Operaciones de manejo de datos/5. Filtrados alternativos.html 489 Bytes
  • 5. Operaciones de manejo de datos/2. Una chuleta de pandas para Data Wrangling.html 410 Bytes
  • 15. Introducción a las redes neuronales y al deep learning con TensorFlow/4. IMPORTANTE Versión de TensorFlow a utilizar.html 361 Bytes
  • 4. Limpieza de Datos/4. ¿Qué hago si no me autocompleta Jupyter.html 315 Bytes
  • 7. Regresión lineal con Python/17. Otra forma más simple de calcular las predicciones.html 279 Bytes
  • 6. Conceptos básicos de estadística para la modelización predictiva/3. El resumen de estadísticos en Python (propuesta de un estudiante).html 174 Bytes
  • 2. Instalando nuestra herramienta de trabajo/1.2 Cómo instalar anaconda y python en cualquier sistema operativo.html 139 Bytes
  • 2. Instalando nuestra herramienta de trabajo/1.1 Cómo instalar anaconda y python en cualquier sistema operativo.html 139 Bytes
  • 17. ¿Qué nos depara el futuro/1.1 Web alternativa de datasets.html 104 Bytes
  • 4. Limpieza de Datos/3.1 El repositorio Git del Curso.html 103 Bytes
  • 2. Instalando nuestra herramienta de trabajo/8.1 Comunidad de Estudiantes del Curso.html 87 Bytes
  • 2. Instalando nuestra herramienta de trabajo/1.1 Anaconda Navigator.html 81 Bytes
  • 2. Instalando nuestra herramienta de trabajo/1.2 Anaconda Navigator.html 81 Bytes

随机展示

相关说明

本站不存储任何资源内容，只收集BT种子元数据(例如文件名和文件大小)和磁力链接(BT种子标识符)，并提供查询服务，是一个完全合法的搜索引擎系统。 网站不提供种子下载服务，用户可以通过第三方链接或磁力链接获取到相关的种子资源。本站也不对BT种子真实性及合法性负责，请用户注意甄别！