589689.xyz

Curso completo de Machine Learning Data Science en Python - COMPLETO

  • 收录时间:2021-05-08 04:14:42
  • 文件大小:26GB
  • 下载次数:1
  • 最近下载:2021-05-08 04:14:42
  • 磁力链接:
立即下载 复制链接

文件列表

  1. 8. Regresión logística con Python/7. Estimación con el método de máxima verosimilitud.mp4 454MB
  2. 8. Regresión logística con Python/8. Crear un modelo logístico desde cero.mp4 440MB
  3. 9. Clustering y clasificación/2. ¿Qué es y para qué sirve el clustering.mp4 331MB
  4. 7. Regresión lineal con Python/19. Transformar las variables en relaciones no lineales.mp4 318MB
  5. 14. Análisis de componentes principales/3. Demostración de cómo se hace un ACP.mp4 310MB
  6. 10. Árboles y bosques aleatorios/5. Algoritmos para la generación de árboles de clasificación.mp4 308MB
  7. 11. Máquinas de Soporte Vectorial/14. Práctica de SVM reconocimiento facial a lo CSI.mp4 307MB
  8. 9. Clustering y clasificación/3. El concepto de distancia.mp4 306MB
  9. 8. Regresión logística con Python/9. Análisis exploratorio de los datos.mp4 301MB
  10. 9. Clustering y clasificación/17. Implementando la técnica del codo y el coeficiente de la silueta.mp4 299MB
  11. 10. Árboles y bosques aleatorios/4. Entropía y ganancia de Información.mp4 296MB
  12. 7. Regresión lineal con Python/16. Variables categóricas en una regresión lineal.mp4 285MB
  13. 8. Regresión logística con Python/16. Implementación de las curvas ROC en Python.mp4 283MB
  14. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/7. La carga del dataset de imágenes.mp4 282MB
  15. 7. Regresión lineal con Python/5. Sumas de los cuadrados totales, de las diferencias y de la regresión.mp4 281MB
  16. 11. Máquinas de Soporte Vectorial/3. El problema de clasificación no óptimo.mp4 273MB
  17. 11. Máquinas de Soporte Vectorial/15. Práctica de SVM Clasificación de las flores de Iris.mp4 269MB
  18. 14. Análisis de componentes principales/6. Plotly, la librería de gráficos personalizados e interactivos.mp4 267MB
  19. 9. Clustering y clasificación/10. Un clustering completo por donde cortamos el dendrograma.mp4 263MB
  20. 9. Clustering y clasificación/6. Uniendo datos manualmente.mp4 253MB
  21. 9. Clustering y clasificación/14. Ejercicio Segmentación de los vinos.mp4 248MB
  22. 11. Máquinas de Soporte Vectorial/2. Las support vector machines.mp4 244MB
  23. 8. Regresión logística con Python/10. La selección de variables del dataset para el modelo logístico.mp4 243MB
  24. 7. Regresión lineal con Python/8. Interpretar los parámetros de la regresión.mp4 238MB
  25. 6. Conceptos básicos de estadística para la modelización predictiva/8. Correlación entre variables.mp4 235MB
  26. 10. Árboles y bosques aleatorios/7. Los problemas del árbol.mp4 235MB
  27. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/3. Acerca de las redes neuronales y el deep learning.mp4 233MB
  28. 9. Clustering y clasificación/9. Un clustering completo representación del dendrograma.mp4 232MB
  29. 11. Máquinas de Soporte Vectorial/10. Los soportes de SVM.mp4 226MB
  30. 9. Clustering y clasificación/5. Métodos de enlace.mp4 224MB
  31. 7. Regresión lineal con Python/3. Demostración de la obtención de los parámetros del modelo lineal.mp4 218MB
  32. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/13. Validación del modelo.mp4 216MB
  33. 7. Regresión lineal con Python/21. Otros problemas y consideraciones de la regresión lineal.mp4 216MB
  34. 11. Máquinas de Soporte Vectorial/4. Los núcleos no lineales y el problema de la dimensión.mp4 213MB
  35. 2. Instalando nuestra herramienta de trabajo/1. Cómo instalar Python con Anaconda Navigator.mp4 211MB
  36. 5. Operaciones de manejo de datos/23. Carga de cientos de datos distribuidos.mp4 209MB
  37. 14. Análisis de componentes principales/2. El problema de la dimensión.mp4 203MB
  38. 12. K Nearest Neighbors/2. Los k vecinos más cercanos.mp4 199MB
  39. 16. Juntar código de R y Python con la librería rpy2/7. La librería extRemes en acción desde Python.mp4 198MB
  40. 7. Regresión lineal con Python/2. Las matemáticas tras una regresión lineal.mp4 196MB
  41. 14. Análisis de componentes principales/13. Personalizando los gráficos de plotly.mp4 189MB
  42. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/16. La regresión softmax.mp4 185MB
  43. 7. Regresión lineal con Python/10. Regresión lineal múltiple.mp4 183MB
  44. 5. Operaciones de manejo de datos/24. Ejercicio el data set de los juegos olímpicos.mp4 183MB
  45. 10. Árboles y bosques aleatorios/2. ¿Qué es un árbol de decisión.mp4 182MB
  46. 10. Árboles y bosques aleatorios/14. Random forests.mp4 177MB
  47. 17. ¿Qué nos depara el futuro/1. Proyecto final. ¿Qué me depara el futuro.mp4 175MB
  48. 7. Regresión lineal con Python/18. Enmascarado de variables categóricas redundantes.mp4 172MB
  49. 10. Árboles y bosques aleatorios/13. Árboles de regresión con Python.mp4 171MB
  50. 5. Operaciones de manejo de datos/1. Data Wrangling.mp4 168MB
  51. 5. Operaciones de manejo de datos/22. Concatenar dos datasets por filas.mp4 168MB
  52. 8. Regresión logística con Python/6. De la regresión lineal a la logística.mp4 167MB
  53. 5. Operaciones de manejo de datos/4. Buscar un subconjunto de datos de un dataset.mp4 167MB
  54. 9. Clustering y clasificación/8. Un clustering completo la fase de exploración de datos.mp4 163MB
  55. 7. Regresión lineal con Python/20. El problema de los outliers.mp4 161MB
  56. 5. Operaciones de manejo de datos/28. Ejemplos de joins con Python.mp4 159MB
  57. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/9. Un resumen visual de imágenes.mp4 158MB
  58. 8. Regresión logística con Python/15. Las matrices de confusión y las curvas ROC.mp4 157MB
  59. 14. Análisis de componentes principales/9. La selección de las componentes principales.mp4 157MB
  60. 9. Clustering y clasificación/18. Propagación de la afinidad.mp4 156MB
  61. 9. Clustering y clasificación/19. Implementando la propagación de la afinidad.mp4 156MB
  62. 6. Conceptos básicos de estadística para la modelización predictiva/1. Los conceptos fundamentales de estadística.mp4 156MB
  63. 7. Regresión lineal con Python/9. Implementar una regresión lineal con Python.mp4 155MB
  64. 10. Árboles y bosques aleatorios/9. El tratamiento de ficheros dot.mp4 154MB
  65. 1. Introducción/1. Introducción.mp4 150MB
  66. 10. Árboles y bosques aleatorios/11. Los árboles de regresión.mp4 150MB
  67. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/1. Redes neuronales del futuro.mp4 150MB
  68. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/18. La fase de entrenamiento de la red neuronal.mp4 146MB
  69. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/10. Pre procesado de imágenes previo al ML.mp4 145MB
  70. 8. Regresión logística con Python/2. Regresión lineal vs regresión logística.mp4 143MB
  71. 7. Regresión lineal con Python/1. La regresión lineal.mp4 143MB
  72. 10. Árboles y bosques aleatorios/3. Homogeneidad en los datos.mp4 142MB
  73. 11. Máquinas de Soporte Vectorial/16. Truco qué hacer cuando me toca hacer una análisis de datos.mp4 141MB
  74. 14. Análisis de componentes principales/14. Coloraciones y etiquetas de plotly.mp4 141MB
  75. 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 141MB
  76. 9. Clustering y clasificación/1. Clustering.mp4 140MB
  77. 9. Clustering y clasificación/12. El método de k-means.mp4 139MB
  78. 5. Operaciones de manejo de datos/25. Concatenar los datos con merge.mp4 139MB
  79. 8. Regresión logística con Python/12. Validación del modelo y evaluación del mismo.mp4 136MB
  80. 7. Regresión lineal con Python/7. Encontrando los coeficientes óptimos de la regresión.mp4 135MB
  81. 5. Operaciones de manejo de datos/18. Filtrado, Transformación y otras operaciones útiles.mp4 133MB
  82. 10. Árboles y bosques aleatorios/6. La poda del árbol.mp4 131MB
  83. 5. Operaciones de manejo de datos/26. Formas de cruzar tablas con joins.mp4 130MB
  84. 8. Regresión logística con Python/11. Implementar una regresión logística con Python.mp4 130MB
  85. 9. Clustering y clasificación/7. Clustering jerárquico en Python.mp4 129MB
  86. 10. Árboles y bosques aleatorios/17. ¿Por qué funcionan los random forests.mp4 129MB
  87. 9. Clustering y clasificación/16. El coeficiente de la silueta.mp4 129MB
  88. 10. Árboles y bosques aleatorios/8. Los árboles de clasificación con Python.mp4 128MB
  89. 12. K Nearest Neighbors/8. Nuestro algoritmo vs scikit-learn.mp4 127MB
  90. 5. Operaciones de manejo de datos/27. Eliminar datos de datasets con restricciones de conjunto.mp4 126MB
  91. 12. K Nearest Neighbors/7. Implementando la decisión por mayoría.mp4 124MB
  92. 8. Regresión logística con Python/4. Probabilidades condicionadas.mp4 124MB
  93. 8. Regresión logística con Python/17. Resumen de la regresión logística.mp4 122MB
  94. 11. Máquinas de Soporte Vectorial/11. Kernels no lineales.mp4 122MB
  95. 7. Regresión lineal con Python/15. Modelos lineales con variables categóricas.mp4 119MB
  96. 8. Regresión logística con Python/5. Cociente de probabilidades.mp4 119MB
  97. 9. Clustering y clasificación/4. Matriz de distancias en Python.mp4 119MB
  98. 5. Operaciones de manejo de datos/21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.mp4 118MB
  99. 6. Conceptos básicos de estadística para la modelización predictiva/6. Cómo hacer un contraste de hipótesis paso a paso.mp4 118MB
  100. 13. Sistemas de recomendación/9. Filtrando con los K nearest neighbors.mp4 116MB
  101. 9. Clustering y clasificación/21. Los K medoides y el clustering espectral.mp4 116MB
  102. 7. Regresión lineal con Python/22. Un resumen de la regresión lineal.mp4 115MB
  103. 13. Sistemas de recomendación/1. El rol de las recomendaciones dinámicas en el siglo XXI.mp4 115MB
  104. 11. Máquinas de Soporte Vectorial/13. Ajustando las SVM.mp4 114MB
  105. 5. Operaciones de manejo de datos/17. Agregación de datos.mp4 112MB
  106. 11. Máquinas de Soporte Vectorial/17. SVM para regresión.mp4 111MB
  107. 13. Sistemas de recomendación/10. Sistemas de Recomendación basados en Ítems.mp4 111MB
  108. 9. Clustering y clasificación/11. Un clustering completo visualización final del clustering.mp4 110MB
  109. 16. Juntar código de R y Python con la librería rpy2/8. Rmagic.mp4 109MB
  110. 11. Máquinas de Soporte Vectorial/1. Las máquinas de soporte vectorial.mp4 108MB
  111. 6. Conceptos básicos de estadística para la modelización predictiva/7. Test de la chi cuadrado.mp4 107MB
  112. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/11. Creación del modelo.mp4 107MB
  113. 8. Regresión logística con Python/14. Validación cruzada con Python.mp4 107MB
  114. 10. Árboles y bosques aleatorios/10. La validación cruzada en un árbol de clasificación.mp4 106MB
  115. 7. Regresión lineal con Python/12. Validando nuestro modelo.mp4 104MB
  116. 16. Juntar código de R y Python con la librería rpy2/5. Llevando objetos de Python a R.mp4 104MB
  117. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/12. Entrenamiento del modelo.mp4 101MB
  118. 8. Regresión logística con Python/13. La validación cruzada.mp4 99MB
  119. 7. Regresión lineal con Python/11. El problema de la multicolinealidad.mp4 97MB
  120. 12. K Nearest Neighbors/4. Clasificación según los K vecinos.mp4 95MB
  121. 11. Máquinas de Soporte Vectorial/12. Radial basis function.mp4 94MB
  122. 10. Árboles y bosques aleatorios/12. El dataset de las casas de Boston y Kaggle.mp4 93MB
  123. 14. Análisis de componentes principales/12. Más gráficos con Plotly.mp4 93MB
  124. 6. Conceptos básicos de estadística para la modelización predictiva/5. Los contrastes de hipótesis.mp4 93MB
  125. 10. Árboles y bosques aleatorios/15. Random forests para regresión.mp4 92MB
  126. 16. Juntar código de R y Python con la librería rpy2/2. Instalar la librería rpy2.mp4 89MB
  127. 14. Análisis de componentes principales/1. Análisis de Componentes principales.mp4 88MB
  128. 6. Conceptos básicos de estadística para la modelización predictiva/4. Muestreo aleatorio y el teorema central del límite.mp4 88MB
  129. 14. Análisis de componentes principales/10. La proyección en el subespacio vectorial resultante.mp4 87MB
  130. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/5. Instalando TensorFlow en tu ordenador.mp4 87MB
  131. 5. Operaciones de manejo de datos/16. Agrupación de los datos por categorías.mp4 87MB
  132. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/8. Análisis exploratorio de los datos.mp4 85MB
  133. 3. Una introducción al análisis predictivo y al Machine Learning/4. Aplicaciones y ejemplos del mundo del Data Science.mp4 84MB
  134. 7. Regresión lineal con Python/14. Regresión lineal con scikit-learn.mp4 84MB
  135. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/17. Tensorflow y la regresión softmax.mp4 84MB
  136. 13. Sistemas de recomendación/12. Los resultados finales.mp4 83MB
  137. 14. Análisis de componentes principales/7. Los valores y vectores propios de la matriz de covarianzas.mp4 83MB
  138. 9. Clustering y clasificación/13. Implementando k-means con Python.mp4 83MB
  139. 10. Árboles y bosques aleatorios/1. Árboles y bosques aleatorios.mp4 80MB
  140. 5. Operaciones de manejo de datos/15. Un dummy data frame con variables categóricas.mp4 78MB
  141. 9. Clustering y clasificación/22. Resumen del clustering.mp4 76MB
  142. 8. Regresión logística con Python/1. La regresión logística.mp4 75MB
  143. 13. Sistemas de recomendación/2. El dataset de películas de Movie Lens.mp4 73MB
  144. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/19. La fase de evaluación de la red neuronal.mp4 72MB
  145. 14. Análisis de componentes principales/11. Implementación de ACP con sklearn.mp4 71MB
  146. 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 71MB
  147. 2. Instalando nuestra herramienta de trabajo/4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.mp4 71MB
  148. 9. Clustering y clasificación/20. Generando distribuciones en forma de anillo.mp4 70MB
  149. 9. Clustering y clasificación/15. El método del codo.mp4 69MB
  150. 16. Juntar código de R y Python con la librería rpy2/4. Llevando objetos de R a Python.mp4 69MB
  151. 14. Análisis de componentes principales/8. La matriz de correlaciones y el Singular Value Decomposition.mp4 67MB
  152. 10. Árboles y bosques aleatorios/18. Resumen de árboles y bosques aleatorios.mp4 67MB
  153. 8. Regresión logística con Python/3. Las matemáticas detrás de la regresión logística.mp4 66MB
  154. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/14. El dataset de reconocimiento de dígitos.mp4 66MB
  155. 12. K Nearest Neighbors/3. Limpieza del dataset del Cancer.mp4 66MB
  156. 12. K Nearest Neighbors/6. Creando los datos para la clasificación.mp4 65MB
  157. 12. K Nearest Neighbors/5. Clasificando nuevos datos de los tests médicos.mp4 65MB
  158. 12. K Nearest Neighbors/1. La decisión de los K vecinos.mp4 64MB
  159. 16. Juntar código de R y Python con la librería rpy2/6. Cómo instalar y cargar paquetes de R desde Python.mp4 63MB
  160. 11. Máquinas de Soporte Vectorial/8. El problema de la separación.mp4 62MB
  161. 11. Máquinas de Soporte Vectorial/7. Representación gráfica del hiperplano separador en 2D.mp4 60MB
  162. 12. K Nearest Neighbors/9. Una opinión final sobre los algoritmos de Machine Learning.mp4 58MB
  163. 10. Árboles y bosques aleatorios/16. Random forest para clasificación.mp4 58MB
  164. 11. Máquinas de Soporte Vectorial/6. Creando el modelo clasificador lineal.mp4 58MB
  165. 13. Sistemas de recomendación/6. La matriz de similaridad entre usuarios.mp4 57MB
  166. 13. Sistemas de recomendación/7. Predecir la valoración de un ítem para un usuario.mp4 57MB
  167. 13. Sistemas de recomendación/11. Recomendando con los K items más parecidos.mp4 56MB
  168. 4. Limpieza de Datos/14. Ejercicio descargar y procesar datos desde una URL externa.mp4 55MB
  169. 5. Operaciones de manejo de datos/19. Conjunto de entrenamiento y de testing.mp4 54MB
  170. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/2. Introducción a Tensor Flow.mp4 53MB
  171. 7. Regresión lineal con Python/13. El resumen de todos los modelos lineales creados.mp4 52MB
  172. 6. Conceptos básicos de estadística para la modelización predictiva/2. Un resumen de los estadísticos básicos (en R).mp4 51MB
  173. 3. Una introducción al análisis predictivo y al Machine Learning/2. ¿Qué es el análisis predictivo de datos.mp4 47MB
  174. 7. Regresión lineal con Python/4. Errores normalmente distribuidos.mp4 45MB
  175. 2. Instalando nuestra herramienta de trabajo/2. Las librerías estándar de Machine Learning en Python.mp4 44MB
  176. 2. Instalando nuestra herramienta de trabajo/8. Comunidad de estudiantes del curso.mp4 44MB
  177. 4. Limpieza de Datos/15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.mp4 44MB
  178. 14. Análisis de componentes principales/4. Implementando nuestro propio ACP en Python.mp4 43MB
  179. 5. Operaciones de manejo de datos/6. Subconjuntos de filas con ciertas condiciones.mp4 42MB
  180. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/15. De datos desestructurados a espacios vectoriales n-dimensionales.mp4 42MB
  181. 11. Máquinas de Soporte Vectorial/9. Maximizar el margen de clasificación.mp4 41MB
  182. 3. Una introducción al análisis predictivo y al Machine Learning/1. Ser Data Scientist es la profesión más sexy del siglo XXI.mp4 40MB
  183. 11. Máquinas de Soporte Vectorial/5. Soporte Vectorial Clasificador Lineal.mp4 40MB
  184. 13. Sistemas de recomendación/3. Análisis exploratorio de los datos y distribución de las valoraciones.mp4 39MB
  185. 13. Sistemas de recomendación/4. Esparseidad de los datos.mp4 38MB
  186. 4. Limpieza de Datos/12. Leer los datos desde una URL externa.mp4 38MB
  187. 5. Operaciones de manejo de datos/13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.mp4 38MB
  188. 5. Operaciones de manejo de datos/30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.mp4 38MB
  189. 4. Limpieza de Datos/17. Qué hacer cuando faltan valores en el dataset.mp4 37MB
  190. 1. Introducción/2. Pre requisitos del curso.mp4 36MB
  191. 17. ¿Qué nos depara el futuro/3. Nos vemos en el próximo curso.mp4 36MB
  192. 5. Operaciones de manejo de datos/8. Generar números aleatorios.mp4 35MB
  193. 2. Instalando nuestra herramienta de trabajo/3. Los editores para programar en Python.mp4 31MB
  194. 4. Limpieza de Datos/8. Ejemplos de diferentes carga de datos con read_csv.mp4 30MB
  195. 4. Limpieza de Datos/1. Data Cleaning.mp4 29MB
  196. 4. Limpieza de Datos/6. Leer datos procedentes de un CSV.mp4 29MB
  197. 5. Operaciones de manejo de datos/29. Ya conoces las bases del manejo de datos.mp4 27MB
  198. 5. Operaciones de manejo de datos/7. Subconjuntos con loc e iloc y creación de nuevas columnas.mp4 27MB
  199. 13. Sistemas de recomendación/5. División en entrenamiento y validación.mp4 26MB
  200. 4. Limpieza de Datos/7. Los parámetros de la función read_csv.mp4 26MB
  201. 4. Limpieza de Datos/2. El concepto de data frame.mp4 25MB
  202. 4. Limpieza de Datos/19. Visualización básica de un dataset el scatterplot.mp4 24MB
  203. 4. Limpieza de Datos/16. ¿Por qué faltan valores en los data sets.mp4 24MB
  204. 4. Limpieza de Datos/9. El método open para la carga manual de datos.mp4 23MB
  205. 5. Operaciones de manejo de datos/12. La distribución Normal.mp4 23MB
  206. 4. Limpieza de Datos/13. La carga de datos desde una hoja de cálculo.mp4 22MB
  207. 4. Limpieza de Datos/11. Leer y escribir en un fichero con Python.mp4 21MB
  208. 4. Limpieza de Datos/18. Las variables dummy.mp4 21MB
  209. 4. Limpieza de Datos/21. Visualización básica de un dataset el boxplot.mp4 21MB
  210. 2. Instalando nuestra herramienta de trabajo/7. Las 5 etapas del análisis de datos.mp4 20MB
  211. 6. Conceptos básicos de estadística para la modelización predictiva/9. Un resumen de lo aprendido.mp4 20MB
  212. 4. Limpieza de Datos/20. Visualización básica de un dataset el histograma de frecuencias.mp4 18MB
  213. 3. Una introducción al análisis predictivo y al Machine Learning/3. Data Scientist = Matemáticas + Programación + Business.mp4 18MB
  214. 5. Operaciones de manejo de datos/14. Generando dummy data frames.mp4 18MB
  215. 1. Introducción/4. Acerca de la valoración prematura del curso en Udemy.mp4 14MB
  216. 5. Operaciones de manejo de datos/11. La distribución uniforme.mp4 12MB
  217. 4. Limpieza de Datos/3. El repositorio Git del curso.mp4 11MB
  218. 5. Operaciones de manejo de datos/9. La semilla de la generación aleatoria.mp4 8MB
  219. 5. Operaciones de manejo de datos/10. Funciones de distribución de probabilidades.mp4 7MB
  220. 1. Introducción/3. Conoce a tu instructor online, Juan Gabriel Gomila.mp4 6MB
  221. 5. Operaciones de manejo de datos/2.1 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg 2MB
  222. 5. Operaciones de manejo de datos/2.2 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg 2MB
  223. 5. Operaciones de manejo de datos/2.2 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg 2MB
  224. 5. Operaciones de manejo de datos/2.1 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg 2MB
  225. 6. Conceptos básicos de estadística para la modelización predictiva/3.1 Datos estadisticos (1).pdf 137KB
  226. 8. Regresión logística con Python/8. Crear un modelo logístico desde cero.srt 52KB
  227. 8. Regresión logística con Python/7. Estimación con el método de máxima verosimilitud.srt 44KB
  228. 2. Instalando nuestra herramienta de trabajo/1. Cómo instalar Python con Anaconda Navigator.srt 39KB
  229. 9. Clustering y clasificación/17. Implementando la técnica del codo y el coeficiente de la silueta.srt 37KB
  230. 8. Regresión logística con Python/16. Implementación de las curvas ROC en Python.srt 36KB
  231. 9. Clustering y clasificación/10. Un clustering completo por donde cortamos el dendrograma.srt 35KB
  232. 7. Regresión lineal con Python/19. Transformar las variables en relaciones no lineales.srt 35KB
  233. 11. Máquinas de Soporte Vectorial/14. Práctica de SVM reconocimiento facial a lo CSI.srt 34KB
  234. 6. Conceptos básicos de estadística para la modelización predictiva/2. Un resumen de los estadísticos básicos (en R).srt 34KB
  235. 7. Regresión lineal con Python/5. Sumas de los cuadrados totales, de las diferencias y de la regresión.srt 34KB
  236. 6. Conceptos básicos de estadística para la modelización predictiva/8. Correlación entre variables.srt 33KB
  237. 8. Regresión logística con Python/9. Análisis exploratorio de los datos.srt 33KB
  238. 3. Una introducción al análisis predictivo y al Machine Learning/4. Aplicaciones y ejemplos del mundo del Data Science.srt 32KB
  239. 9. Clustering y clasificación/9. Un clustering completo representación del dendrograma.srt 31KB
  240. 11. Máquinas de Soporte Vectorial/15. Práctica de SVM Clasificación de las flores de Iris.srt 31KB
  241. 9. Clustering y clasificación/14. Ejercicio Segmentación de los vinos.srt 30KB
  242. 14. Análisis de componentes principales/3. Demostración de cómo se hace un ACP.srt 30KB
  243. 14. Análisis de componentes principales/6. Plotly, la librería de gráficos personalizados e interactivos.srt 30KB
  244. 9. Clustering y clasificación/6. Uniendo datos manualmente.srt 29KB
  245. 7. Regresión lineal con Python/16. Variables categóricas en una regresión lineal.srt 29KB
  246. 11. Máquinas de Soporte Vectorial/10. Los soportes de SVM.srt 27KB
  247. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/7. La carga del dataset de imágenes.srt 27KB
  248. 7. Regresión lineal con Python/10. Regresión lineal múltiple.srt 26KB
  249. 2. Instalando nuestra herramienta de trabajo/2. Las librerías estándar de Machine Learning en Python.srt 25KB
  250. 16. Juntar código de R y Python con la librería rpy2/7. La librería extRemes en acción desde Python.srt 25KB
  251. 5. Operaciones de manejo de datos/13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.srt 25KB
  252. 3. Una introducción al análisis predictivo y al Machine Learning/2. ¿Qué es el análisis predictivo de datos.srt 24KB
  253. 5. Operaciones de manejo de datos/23. Carga de cientos de datos distribuidos.srt 24KB
  254. 4. Limpieza de Datos/14. Ejercicio descargar y procesar datos desde una URL externa.srt 24KB
  255. 7. Regresión lineal con Python/9. Implementar una regresión lineal con Python.srt 24KB
  256. 6. Conceptos básicos de estadística para la modelización predictiva/6. Cómo hacer un contraste de hipótesis paso a paso.srt 23KB
  257. 5. Operaciones de manejo de datos/8. Generar números aleatorios.srt 23KB
  258. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/13. Validación del modelo.srt 23KB
  259. 9. Clustering y clasificación/3. El concepto de distancia.srt 23KB
  260. 5. Operaciones de manejo de datos/4. Buscar un subconjunto de datos de un dataset.srt 22KB
  261. 8. Regresión logística con Python/6. De la regresión lineal a la logística.srt 22KB
  262. 9. Clustering y clasificación/2. ¿Qué es y para qué sirve el clustering.srt 22KB
  263. 8. Regresión logística con Python/10. La selección de variables del dataset para el modelo logístico.srt 22KB
  264. 4. Limpieza de Datos/7. Los parámetros de la función read_csv.srt 21KB
  265. 4. Limpieza de Datos/17. Qué hacer cuando faltan valores en el dataset.srt 21KB
  266. 5. Operaciones de manejo de datos/6. Subconjuntos de filas con ciertas condiciones.srt 21KB
  267. 5. Operaciones de manejo de datos/24. Ejercicio el data set de los juegos olímpicos.srt 21KB
  268. 7. Regresión lineal con Python/3. Demostración de la obtención de los parámetros del modelo lineal.srt 20KB
  269. 4. Limpieza de Datos/15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.srt 20KB
  270. 9. Clustering y clasificación/19. Implementando la propagación de la afinidad.srt 20KB
  271. 10. Árboles y bosques aleatorios/13. Árboles de regresión con Python.srt 20KB
  272. 14. Análisis de componentes principales/9. La selección de las componentes principales.srt 20KB
  273. 3. Una introducción al análisis predictivo y al Machine Learning/1. Ser Data Scientist es la profesión más sexy del siglo XXI.srt 19KB
  274. 11. Máquinas de Soporte Vectorial/17. SVM para regresión.srt 19KB
  275. 5. Operaciones de manejo de datos/7. Subconjuntos con loc e iloc y creación de nuevas columnas.srt 19KB
  276. 10. Árboles y bosques aleatorios/5. Algoritmos para la generación de árboles de clasificación.srt 19KB
  277. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/9. Un resumen visual de imágenes.srt 19KB
  278. 6. Conceptos básicos de estadística para la modelización predictiva/7. Test de la chi cuadrado.srt 19KB
  279. 12. K Nearest Neighbors/7. Implementando la decisión por mayoría.srt 19KB
  280. 10. Árboles y bosques aleatorios/4. Entropía y ganancia de Información.srt 19KB
  281. 10. Árboles y bosques aleatorios/8. Los árboles de clasificación con Python.srt 19KB
  282. 14. Análisis de componentes principales/13. Personalizando los gráficos de plotly.srt 19KB
  283. 9. Clustering y clasificación/8. Un clustering completo la fase de exploración de datos.srt 18KB
  284. 5. Operaciones de manejo de datos/22. Concatenar dos datasets por filas.srt 18KB
  285. 5. Operaciones de manejo de datos/12. La distribución Normal.srt 18KB
  286. 10. Árboles y bosques aleatorios/9. El tratamiento de ficheros dot.srt 18KB
  287. 7. Regresión lineal con Python/20. El problema de los outliers.srt 18KB
  288. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/10. Pre procesado de imágenes previo al ML.srt 18KB
  289. 8. Regresión logística con Python/12. Validación del modelo y evaluación del mismo.srt 17KB
  290. 7. Regresión lineal con Python/18. Enmascarado de variables categóricas redundantes.srt 17KB
  291. 5. Operaciones de manejo de datos/26. Formas de cruzar tablas con joins.srt 17KB
  292. 9. Clustering y clasificación/21. Los K medoides y el clustering espectral.srt 17KB
  293. 11. Máquinas de Soporte Vectorial/16. Truco qué hacer cuando me toca hacer una análisis de datos.srt 17KB
  294. 7. Regresión lineal con Python/8. Interpretar los parámetros de la regresión.srt 17KB
  295. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/18. La fase de entrenamiento de la red neuronal.srt 17KB
  296. 4. Limpieza de Datos/8. Ejemplos de diferentes carga de datos con read_csv.srt 17KB
  297. 2. Instalando nuestra herramienta de trabajo/7. Las 5 etapas del análisis de datos.srt 17KB
  298. 8. Regresión logística con Python/13. La validación cruzada.srt 17KB
  299. 5. Operaciones de manejo de datos/28. Ejemplos de joins con Python.srt 17KB
  300. 4. Limpieza de Datos/9. El método open para la carga manual de datos.srt 17KB
  301. 10. Árboles y bosques aleatorios/7. Los problemas del árbol.srt 17KB
  302. 9. Clustering y clasificación/7. Clustering jerárquico en Python.srt 17KB
  303. 8. Regresión logística con Python/11. Implementar una regresión logística con Python.srt 16KB
  304. 5. Operaciones de manejo de datos/18. Filtrado, Transformación y otras operaciones útiles.srt 16KB
  305. 14. Análisis de componentes principales/14. Coloraciones y etiquetas de plotly.srt 16KB
  306. 4. Limpieza de Datos/16. ¿Por qué faltan valores en los data sets.srt 16KB
  307. 11. Máquinas de Soporte Vectorial/3. El problema de clasificación no óptimo.srt 16KB
  308. 4. Limpieza de Datos/19. Visualización básica de un dataset el scatterplot.srt 16KB
  309. 7. Regresión lineal con Python/7. Encontrando los coeficientes óptimos de la regresión.srt 16KB
  310. 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 16KB
  311. 4. Limpieza de Datos/6. Leer datos procedentes de un CSV.srt 16KB
  312. 6. Conceptos básicos de estadística para la modelización predictiva/4. Muestreo aleatorio y el teorema central del límite.srt 15KB
  313. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/11. Creación del modelo.srt 15KB
  314. 6. Conceptos básicos de estadística para la modelización predictiva/5. Los contrastes de hipótesis.srt 15KB
  315. 7. Regresión lineal con Python/12. Validando nuestro modelo.srt 15KB
  316. 5. Operaciones de manejo de datos/21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.srt 15KB
  317. 4. Limpieza de Datos/18. Las variables dummy.srt 15KB
  318. 4. Limpieza de Datos/21. Visualización básica de un dataset el boxplot.srt 15KB
  319. 13. Sistemas de recomendación/9. Filtrando con los K nearest neighbors.srt 15KB
  320. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/5. Instalando TensorFlow en tu ordenador.srt 15KB
  321. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/3. Acerca de las redes neuronales y el deep learning.srt 15KB
  322. 2. Instalando nuestra herramienta de trabajo/4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.srt 15KB
  323. 5. Operaciones de manejo de datos/25. Concatenar los datos con merge.srt 15KB
  324. 9. Clustering y clasificación/5. Métodos de enlace.srt 14KB
  325. 9. Clustering y clasificación/4. Matriz de distancias en Python.srt 14KB
  326. 8. Regresión logística con Python/14. Validación cruzada con Python.srt 14KB
  327. 3. Una introducción al análisis predictivo y al Machine Learning/3. Data Scientist = Matemáticas + Programación + Business.srt 14KB
  328. 11. Máquinas de Soporte Vectorial/13. Ajustando las SVM.srt 14KB
  329. 8. Regresión logística con Python/5. Cociente de probabilidades.srt 14KB
  330. 8. Regresión logística con Python/4. Probabilidades condicionadas.srt 14KB
  331. 11. Máquinas de Soporte Vectorial/2. Las support vector machines.srt 14KB
  332. 4. Limpieza de Datos/12. Leer los datos desde una URL externa.srt 14KB
  333. 12. K Nearest Neighbors/8. Nuestro algoritmo vs scikit-learn.srt 14KB
  334. 12. K Nearest Neighbors/2. Los k vecinos más cercanos.srt 14KB
  335. 8. Regresión logística con Python/3. Las matemáticas detrás de la regresión logística.srt 14KB
  336. 7. Regresión lineal con Python/21. Otros problemas y consideraciones de la regresión lineal.srt 13KB
  337. 10. Árboles y bosques aleatorios/10. La validación cruzada en un árbol de clasificación.srt 13KB
  338. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/17. Tensorflow y la regresión softmax.srt 13KB
  339. 11. Máquinas de Soporte Vectorial/11. Kernels no lineales.srt 13KB
  340. 7. Regresión lineal con Python/11. El problema de la multicolinealidad.srt 13KB
  341. 14. Análisis de componentes principales/2. El problema de la dimensión.srt 13KB
  342. 5. Operaciones de manejo de datos/27. Eliminar datos de datasets con restricciones de conjunto.srt 13KB
  343. 16. Juntar código de R y Python con la librería rpy2/8. Rmagic.srt 13KB
  344. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/8. Análisis exploratorio de los datos.srt 13KB
  345. 16. Juntar código de R y Python con la librería rpy2/5. Llevando objetos de Python a R.srt 13KB
  346. 17. ¿Qué nos depara el futuro/1. Proyecto final. ¿Qué me depara el futuro.srt 12KB
  347. 11. Máquinas de Soporte Vectorial/4. Los núcleos no lineales y el problema de la dimensión.srt 12KB
  348. 2. Instalando nuestra herramienta de trabajo/3. Los editores para programar en Python.srt 12KB
  349. 5. Operaciones de manejo de datos/15. Un dummy data frame con variables categóricas.srt 12KB
  350. 5. Operaciones de manejo de datos/17. Agregación de datos.srt 12KB
  351. 7. Regresión lineal con Python/14. Regresión lineal con scikit-learn.srt 12KB
  352. 10. Árboles y bosques aleatorios/12. El dataset de las casas de Boston y Kaggle.srt 12KB
  353. 5. Operaciones de manejo de datos/14. Generando dummy data frames.srt 12KB
  354. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/12. Entrenamiento del modelo.srt 12KB
  355. 7. Regresión lineal con Python/2. Las matemáticas tras una regresión lineal.srt 12KB
  356. 4. Limpieza de Datos/2. El concepto de data frame.srt 12KB
  357. 10. Árboles y bosques aleatorios/2. ¿Qué es un árbol de decisión.srt 12KB
  358. 9. Clustering y clasificación/11. Un clustering completo visualización final del clustering.srt 11KB
  359. 10. Árboles y bosques aleatorios/15. Random forests para regresión.srt 11KB
  360. 4. Limpieza de Datos/20. Visualización básica de un dataset el histograma de frecuencias.srt 11KB
  361. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/16. La regresión softmax.srt 11KB
  362. 9. Clustering y clasificación/20. Generando distribuciones en forma de anillo.srt 11KB
  363. 13. Sistemas de recomendación/10. Sistemas de Recomendación basados en Ítems.srt 11KB
  364. 12. K Nearest Neighbors/6. Creando los datos para la clasificación.srt 11KB
  365. 10. Árboles y bosques aleatorios/14. Random forests.srt 11KB
  366. 14. Análisis de componentes principales/12. Más gráficos con Plotly.srt 11KB
  367. 12. K Nearest Neighbors/4. Clasificación según los K vecinos.srt 11KB
  368. 14. Análisis de componentes principales/7. Los valores y vectores propios de la matriz de covarianzas.srt 11KB
  369. 13. Sistemas de recomendación/12. Los resultados finales.srt 11KB
  370. 14. Análisis de componentes principales/10. La proyección en el subespacio vectorial resultante.srt 10KB
  371. 16. Juntar código de R y Python con la librería rpy2/2. Instalar la librería rpy2.srt 10KB
  372. 11. Máquinas de Soporte Vectorial/8. El problema de la separación.srt 10KB
  373. 5. Operaciones de manejo de datos/11. La distribución uniforme.srt 10KB
  374. 8. Regresión logística con Python/15. Las matrices de confusión y las curvas ROC.srt 10KB
  375. 5. Operaciones de manejo de datos/1. Data Wrangling.srt 10KB
  376. 14. Análisis de componentes principales/4. Implementando nuestro propio ACP en Python.srt 10KB
  377. 11. Máquinas de Soporte Vectorial/12. Radial basis function.srt 10KB
  378. 9. Clustering y clasificación/13. Implementando k-means con Python.srt 10KB
  379. 11. Máquinas de Soporte Vectorial/6. Creando el modelo clasificador lineal.srt 10KB
  380. 10. Árboles y bosques aleatorios/11. Los árboles de regresión.srt 10KB
  381. 8. Regresión logística con Python/2. Regresión lineal vs regresión logística.srt 9KB
  382. 9. Clustering y clasificación/16. El coeficiente de la silueta.srt 9KB
  383. 4. Limpieza de Datos/13. La carga de datos desde una hoja de cálculo.srt 9KB
  384. 12. K Nearest Neighbors/3. Limpieza del dataset del Cancer.srt 9KB
  385. 12. K Nearest Neighbors/9. Una opinión final sobre los algoritmos de Machine Learning.srt 9KB
  386. 14. Análisis de componentes principales/11. Implementación de ACP con sklearn.srt 9KB
  387. 6. Conceptos básicos de estadística para la modelización predictiva/1. Los conceptos fundamentales de estadística.srt 9KB
  388. 9. Clustering y clasificación/18. Propagación de la afinidad.srt 9KB
  389. 4. Limpieza de Datos/11. Leer y escribir en un fichero con Python.srt 9KB
  390. 13. Sistemas de recomendación/2. El dataset de películas de Movie Lens.srt 9KB
  391. 7. Regresión lineal con Python/1. La regresión lineal.srt 9KB
  392. 9. Clustering y clasificación/12. El método de k-means.srt 9KB
  393. 16. Juntar código de R y Python con la librería rpy2/4. Llevando objetos de R a Python.srt 9KB
  394. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/1. Redes neuronales del futuro.srt 8KB
  395. 11. Máquinas de Soporte Vectorial/5. Soporte Vectorial Clasificador Lineal.srt 8KB
  396. 10. Árboles y bosques aleatorios/3. Homogeneidad en los datos.srt 8KB
  397. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/14. El dataset de reconocimiento de dígitos.srt 8KB
  398. 12. K Nearest Neighbors/5. Clasificando nuevos datos de los tests médicos.srt 8KB
  399. 5. Operaciones de manejo de datos/16. Agrupación de los datos por categorías.srt 8KB
  400. 11. Máquinas de Soporte Vectorial/7. Representación gráfica del hiperplano separador en 2D.srt 8KB
  401. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/19. La fase de evaluación de la red neuronal.srt 8KB
  402. 8. Regresión logística con Python/17. Resumen de la regresión logística.srt 8KB
  403. 9. Clustering y clasificación/1. Clustering.srt 8KB
  404. 10. Árboles y bosques aleatorios/17. ¿Por qué funcionan los random forests.srt 8KB
  405. 13. Sistemas de recomendación/6. La matriz de similaridad entre usuarios.srt 8KB
  406. 1. Introducción/1. Introducción.srt 8KB
  407. 7. Regresión lineal con Python/15. Modelos lineales con variables categóricas.srt 8KB
  408. 7. Regresión lineal con Python/22. Un resumen de la regresión lineal.srt 8KB
  409. 14. Análisis de componentes principales/8. La matriz de correlaciones y el Singular Value Decomposition.srt 7KB
  410. 10. Árboles y bosques aleatorios/6. La poda del árbol.srt 7KB
  411. 13. Sistemas de recomendación/3. Análisis exploratorio de los datos y distribución de las valoraciones.srt 7KB
  412. 13. Sistemas de recomendación/4. Esparseidad de los datos.srt 7KB
  413. 13. Sistemas de recomendación/1. El rol de las recomendaciones dinámicas en el siglo XXI.srt 7KB
  414. 7. Regresión lineal con Python/13. El resumen de todos los modelos lineales creados.srt 7KB
  415. 13. Sistemas de recomendación/7. Predecir la valoración de un ítem para un usuario.srt 7KB
  416. 5. Operaciones de manejo de datos/19. Conjunto de entrenamiento y de testing.srt 7KB
  417. 5. Operaciones de manejo de datos/10. Funciones de distribución de probabilidades.srt 7KB
  418. 5. Operaciones de manejo de datos/9. La semilla de la generación aleatoria.srt 7KB
  419. 4. Limpieza de Datos/3. El repositorio Git del curso.srt 7KB
  420. 13. Sistemas de recomendación/11. Recomendando con los K items más parecidos.srt 7KB
  421. 2. Instalando nuestra herramienta de trabajo/4.1 Archivo comprimido.zip 7KB
  422. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/2. Introducción a Tensor Flow.srt 6KB
  423. 16. Juntar código de R y Python con la librería rpy2/6. Cómo instalar y cargar paquetes de R desde Python.srt 6KB
  424. 2. Instalando nuestra herramienta de trabajo/6. IMPORTANTE Para los que la instalación del environment os da error.html 6KB
  425. 4. Limpieza de Datos/1. Data Cleaning.srt 6KB
  426. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/15. De datos desestructurados a espacios vectoriales n-dimensionales.srt 6KB
  427. 10. Árboles y bosques aleatorios/16. Random forest para clasificación.srt 6KB
  428. 11. Máquinas de Soporte Vectorial/1. Las máquinas de soporte vectorial.srt 6KB
  429. 11. Máquinas de Soporte Vectorial/9. Maximizar el margen de clasificación.srt 6KB
  430. 9. Clustering y clasificación/22. Resumen del clustering.srt 5KB
  431. 14. Análisis de componentes principales/1. Análisis de Componentes principales.srt 5KB
  432. 9. Clustering y clasificación/15. El método del codo.srt 5KB
  433. 5. Operaciones de manejo de datos/29. Ya conoces las bases del manejo de datos.srt 5KB
  434. 10. Árboles y bosques aleatorios/18. Resumen de árboles y bosques aleatorios.srt 5KB
  435. 2. Instalando nuestra herramienta de trabajo/8. Comunidad de estudiantes del curso.srt 5KB
  436. 8. Regresión logística con Python/1. La regresión logística.srt 4KB
  437. 13. Sistemas de recomendación/5. División en entrenamiento y validación.srt 4KB
  438. 1. Introducción/4. Acerca de la valoración prematura del curso en Udemy.srt 4KB
  439. 10. Árboles y bosques aleatorios/1. Árboles y bosques aleatorios.srt 4KB
  440. 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 4KB
  441. 6. Conceptos básicos de estadística para la modelización predictiva/9. Un resumen de lo aprendido.srt 4KB
  442. 12. K Nearest Neighbors/1. La decisión de los K vecinos.srt 4KB
  443. 1. Introducción/3. Conoce a tu instructor online, Juan Gabriel Gomila.srt 3KB
  444. 7. Regresión lineal con Python/4. Errores normalmente distribuidos.srt 3KB
  445. 1. Introducción/2. Pre requisitos del curso.srt 2KB
  446. 5. Operaciones de manejo de datos/30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.srt 2KB
  447. 17. ¿Qué nos depara el futuro/3. Nos vemos en el próximo curso.srt 2KB
  448. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/6. Si tienes problemas con la instalación de TensorFlow.html 2KB
  449. 7. Regresión lineal con Python/6. Ejercicio demostrar que SST = SSR + SSD.html 2KB
  450. 13. Sistemas de recomendación/8. Corrección Error en la clase anterior.html 1KB
  451. 2. Instalando nuestra herramienta de trabajo/9. Algunos cambios en la versión 3.7 de Python.html 1KB
  452. 2. Instalando nuestra herramienta de trabajo/5. IMPORTANTE Si el entorno anterior no funciona, prueba con el adjunto aquí.html 1KB
  453. 16. Juntar código de R y Python con la librería rpy2/3. Nota adicional para instalar rpy2 en Windows.html 1KB
  454. 2. Instalando nuestra herramienta de trabajo/5.1 environment.yaml.zip 717B
  455. 5. Operaciones de manejo de datos/20. Atualización cómo dividir conjunto de entrenamiento y test.html 659B
  456. 4. Limpieza de Datos/10. Cuidado con el método open.html 588B
  457. 4. Limpieza de Datos/5. Acerca de las barras en Windows.html 568B
  458. 17. ¿Qué nos depara el futuro/4. Un regalo para ti.html 555B
  459. 14. Análisis de componentes principales/5. Cuidado con la siguiente libreria, plotly.html 540B
  460. 5. Operaciones de manejo de datos/3. Fe de erratas.html 508B
  461. 17. ¿Qué nos depara el futuro/2. Ejemplo dashboard con las valoraciones de las películas.html 494B
  462. 5. Operaciones de manejo de datos/5. Filtrados alternativos.html 489B
  463. 5. Operaciones de manejo de datos/2. Una chuleta de pandas para Data Wrangling.html 410B
  464. 15. Introducción a las redes neuronales y al deep learning con TensorFlow/4. IMPORTANTE Versión de TensorFlow a utilizar.html 361B
  465. 4. Limpieza de Datos/4. ¿Qué hago si no me autocompleta Jupyter.html 315B
  466. 7. Regresión lineal con Python/17. Otra forma más simple de calcular las predicciones.html 279B
  467. 6. Conceptos básicos de estadística para la modelización predictiva/3. El resumen de estadísticos en Python (propuesta de un estudiante).html 174B
  468. 2. Instalando nuestra herramienta de trabajo/1.2 Cómo instalar anaconda y python en cualquier sistema operativo.html 139B
  469. 2. Instalando nuestra herramienta de trabajo/1.1 Cómo instalar anaconda y python en cualquier sistema operativo.html 139B
  470. 17. ¿Qué nos depara el futuro/1.1 Web alternativa de datasets.html 104B
  471. 4. Limpieza de Datos/3.1 El repositorio Git del Curso.html 103B
  472. 2. Instalando nuestra herramienta de trabajo/8.1 Comunidad de Estudiantes del Curso.html 87B
  473. 2. Instalando nuestra herramienta de trabajo/1.1 Anaconda Navigator.html 81B
  474. 2. Instalando nuestra herramienta de trabajo/1.2 Anaconda Navigator.html 81B