Evaluación de modelos de aprendizaje automático con validación cruzada

La creación de un modelo de aprendizaje automático es solo la mitad de la batalla; el verdadero desafío radica en garantizar que se realice con precisión en datos del mundo real que no se han visto. Este curso de solo texto lo guiará a través de los principios fundamentales de la evaluación de modelos, lo que lo ayudará a ir más allá de las simples divisiones de pruebas de entrenamiento a técnicas avanzadas de validación cruzada.Aprenderá cómo diseñar tuberías de validation robustas que garanticen que sus modelos de aprendizaje automático sean estables, generalizables y estén listos para la producción. Qué aprenderá: * Comprender los conceptos fundamentales de entrenamiento, validación y conjuntos de datos de prueba para evitar fugas de datos. * Implementar técnicas de validación cruzada k-fold y Leave-One-Out (LOOCV) utilizando bibliotecas modernas. * Aplicar divisiones estratificadas para manejar conjuntos desbalanceados de datos con eficacia. * Explorar la validación cruzada anidada y las divisiones de series temporales para estructuras de datos complejas. * Evaluar las métricas de rendimiento del modelo con confianza para realizar mejoras basadas en datos.El curso comienza con la terminología esencial y la teoría de las compensaciones de sesgo-varianza antes de pasar a las implementaciones prácticas de código de varias estrategias de validación. Avanzará a través de explicaciones escritas, ejercicios conceptuales y recorridos de código paso a paso.Este curso está diseñado para aspirantes a científicos de datos, principiantes en aprendizaje automático y analistas que desean construir modelos más confiables.No se requiere experiencia previa con validación avanzada, aunque una comprensión básica de Python es útil. Comience a dominar la evaluación de modelos y cree sistemas de aprendizaje automático en los que pueda confiar.