Imbalanced-learn: modelos de ML con datos desequilibrados

ofrecido por
Coursera Project Network
En este proyecto guiado, tú:

Aprender que son los datos desbalanceados

Aplicar técnicas de under-sampling y over-sampling

Conocer las técnicas para tratar con datos desbalanceados

Clock2 horas
BeginnerPrincipiante
CloudNo se necesita descarga
VideoVideo de pantalla dividida
Comment DotsEspañol (Spanish)
LaptopSolo escritorio

Este proyecto es un curso práctico y efectivo para aprender que es el desbalanceo de clases en Machine leraning y como tratarlo. Aprenderemos las técnicas más avanzadas para trabajar con datos desbalanceados como: bSMOTE, ADASYN, SMOTEEN, etc. También aprenderemos a generar modelos capaces de trabajar con datos desbalanceados. Una gran parte de los problemas de clasificación utilizan datos debalanceadas. Si no se tratan estos casos estaremos generando modelos que no estén funcionando correctamente, pese a que a priori parezca que si. Por eso, en este curso aprenderemos a como tratar este tipo de datos.

Habilidades que desarrollarás

  • ADASYN
  • SMOTE
  • Machine Learning
  • Python Programming
  • Imbalanced-learn

Aprende paso a paso

En un video que se reproduce en una pantalla dividida con tu área de trabajo, tu instructor te guiará en cada paso:

  1. Introducción al desbalanceo de clases

  2. Aplicando técnicas para trabajar con datos desbalanceados

  3. Balanceo aleatorio

  4. Under-sampling

  5. Over-sampling

  6. Over-sampling seguido de under-sampling

  7. Modelos para datos desbalanceados

Cómo funcionan los proyectos guiados

Tu espacio de trabajo es un escritorio virtual directamente en tu navegador, no requiere descarga.

En un video de pantalla dividida, tu instructor te guía paso a paso

Preguntas Frecuentes

Preguntas Frecuentes

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.