Árboles, ensambles, SVM, clustering, redes, SHAP y AutoML
Arboles, random forest, gradient boosting, SVM, clustering, redes neuronales, feature engineering, datos desbalanceados, interpretabilidad y AutoML.
\nPrerrequisitos: Conocimientos de Cursos 1-4. Familiaridad con Python util pero no obligatoria.
\nObjetivo del curso: Al finalizar, podras aplicar los conceptos estadisticos con confianza en problemas reales.
\nEvalúa tus conocimientos previos con un quiz cronometrado de 120 segundos.
CART, entropía, Gini, poda, overfitting. El fundamento de los ensambles.
Bagging, RF, OOB, importancia de variables. El poder del promediado.
Boosting, XGBoost, LightGBM, learning rate, shrinkage. Estado del arte en tabulares.
Hiperplano, kernel trick, margen blando, SVR. Clasificación con geometría.
K-means, jerárquico, DBSCAN, silhouette, elbow. Descubre grupos ocultos.
Perceptrón, MLP, backpropagation, activación, dropout. Deep learning desde cero.
Encoding, escalado, interacciones, polinomiales, selección. El arte de las features.
SMOTE, undersampling, class weights, F1, PR-AUC. Clases minoritarias importan.
SHAP, LIME, PDP, importancia permutacional. Confía pero verifica.
ColumnTransformer, Pipeline, GridSearch, AutoML frameworks. ML en producción.
Examen final de 10 preguntas + insignia + certificado personalizado.