Este capítulo te presentará la columna vertebral del Machine Learning en el tidyverse: el flujo de trabajo con columnas de listas (List Column Workflow, LCW). El LCW te permitirá trabajar con muchos modelos en un mismo dataframe. <br> También verás los fundamentos del paquete broom para explorar tus modelos.

Fundamentos del Machine Learning "tidy"

Anidar tus datos

Desanidar tus datos

Explora una celda anidada

La familia de funciones map

Mapear tus datos

Esperar salida mapeada

Mapear muchos modelos

Ordena tus modelos con broom

Las tres maneras de "ordenar" tu modelo

Extraer estadísticas del modelo de forma tidy

Ampliar tus datos

Este capítulo aprovecha el flujo de trabajo con columnas de listas para construir y explorar los atributos de 77 modelos. Utilizarás las herramientas del paquete broom para obtener una comprensión multidimensional de todos estos modelos.

Explorar coeficientes en varios modelos

Ordena los coeficientes de tus modelos

¿Qué podemos aprender sobre estos 77 países?

Evaluar el ajuste de muchos modelos

Echa un vistazo al ajuste de tus modelos

Modelos con mejor y peor ajuste

Inspecciona visualmente el ajuste de muchos modelos

Aumenta los valores ajustados de cada modelo

Explora tus modelos con mejor y peor ajuste

Mejora el ajuste de tus modelos

Mejora tus modelos

Prediciendo el futuro

Múltiples modelos con broom

En este capítulo aprenderás a utilizar el flujo de trabajo con columnas de listas para crear, ajustar y evaluar modelos de regresión. Tendrás la oportunidad de trabajar con dos tipos de modelos: modelos lineales y modelos de random forest.

Divisiones de entrenamiento, prueba y validación

La partición train-test

Data frames de validación cruzada

Medir el rendimiento con validación cruzada

Construir modelos con validación cruzada

Preparación para la evaluación

Evalúa el rendimiento del modelo

Construir y ajustar un modelo de random forest

Crea un modelo de random forest

Evalúa un modelo de random forest

Ajusta bien tu modelo

El mejor parámetro en rendimiento

Medir el rendimiento en el conjunto de prueba

Construye y evalúa el mejor modelo

Crear, ajustar y evaluar modelos de regresión

En este capítulo cambiarás de enfoque para crear, ajustar y evaluar modelos de clasificación.

Modelos de regresión logística

Prepara las partes de train-test-validate

Construye modelos con validación cruzada

Evaluar modelos de clasificación

Predicciones de un único modelo

Rendimiento de un único modelo

Prepárate para el rendimiento con validación cruzada

Calcular el rendimiento con validación cruzada

Random forest para clasificación

Ajusta modelos de random forest

Rendimiento de random forest

Construye el modelo de clasificación final

Mide el rendimiento final del modelo

Resumen

Crear, ajustar y evaluar modelos de clasificación

Gapminder

Attrition

En este curso aprenderás a aprovechar las herramientas del "tidyverse" para generar, explorar y evaluar modelos de Machine Learning. Combinando los paquetes tidyr y purrr, crearás una base sólida para trabajar con objetos de modelos complejos de forma "tidy". También aprenderás a utilizar el paquete broom para explorar los modelos resultantes. Después, conocerás las herramientas del flujo de trabajo de entrenamiento-prueba-validación, que te permitirá evaluar el rendimiento de modelos de clasificación y regresión, y te dará la información necesaria para optimizar su rendimiento mediante el ajuste de hiperparámetros.

¡Bienvenido al tidyverse! En este curso, continuarás tu aprendizaje sobre tidyverse y aplicarás tus conocimientos a conceptos de machine learning.<br><br>
Este curso es ideal si deseas integrar las herramientas Tidyverse de R en tus flujos de trabajo de machine learning. <br><br><h2>Evaluación de modelos de machine learning</h2>
A lo largo de este curso, te centrarás en aprovechar las herramientas tidyverse de R para crear, explorar y evaluar modelos de machine learning de manera eficiente.<br><br>
El curso comienza con una introducción al flujo de trabajo de columnas de lista (LCW), un método para gestionar varios modelos dentro de un único DataFrame. También abarca el uso del paquete broom para ordenar y explorar los resultados de los modelos, lo que hace que los resultados complejos sean más interpretables.<br><br><h2>Utilizando tidyr y purrr</h2>
Trabaja con ejercicios prácticos que incluyen la creación y evaluación de modelos de regresión y clasificación. Explora técnicas para ajustar hiperparámetros con el fin de optimizar el rendimiento del modelo.<br><br>
Utilizarás paquetes como tidyr y purrr para manejar manipulaciones de datos complejas y evaluaciones de modelos, lo que garantizará un enfoque ordenado y sistemático del machine learning.<br><br><h2>Aplicaciones del mundo real</h2>
Explora ejemplos del mundo real a través de múltiples casos prácticos, como el uso del conjunto de datos Gapminder para predecir la esperanza de vida con modelos lineales.<br><br>
Al finalizar el curso, tendrás una base sólida para aplicar los principios de Tidyverse al machine learning, lo que te permitirá crear, ajustar y evaluar modelos de manera eficiente, ordenada y reproducible. 

Modeling with Data in the Tidyverse

Usa tidyr y purrr del tidyverse para crear, explorar y evaluar modelos de aprendizaje automático.

Machine Learning en el tidyverse

Aprovecha los paquetes tidyr y purrr de tidyverse para generar, explorar y evaluar modelos de machine learning.

Caja de herramientas intermedia de Tidyverse

Científico de machine learning in R

Aprendizaje automático supervisado en R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Classification With Random Forests

ranger() for Classification

1) Prepare Actual Classes

2) Prepare Predicted Classes

Build the Best Attrition Model

Crear, ajustar y evaluar modelos de clasificación - Random forest para clasificación

Random forest para clasificación

Create Your Free Account