9 lecciones • 3 horas
Curso teórico-práctico donde aprenderás todas las herramientas para comprender y hacer uso de los Bosques Aleatorios, uno de los algoritmos y modelos de Machine Learning más versátiles y poderosos existentes en la actualidad.
Al final de este curso habrás aprendido
- Qué son el aprendizaje por ensamble (o “ensemble learning”) y el “bagging”, conceptos sobre los que se construyen los Bosques Aleatorios
- Cómo funciona un Bosque Aleatorio para implementar tareas de regresión y clasificación
- Las ventajas que ofrecen los Bosques Aleatorios frente a los Árboles de Decisión
- Cómo resolver problemas de regresión y clasificación usando Bosques Aleatorios en Scikit-Learn
- Cómo afinar y cómo realizar el análisis de importancia de características de un Bosque Aleatorio en Scikit-Learn
Requisitos
Se sugiere haber tomado el curso Árboles de Decisión disponible acá en la Academia Online.
Contenido
MÓDULO 1: INTRODUCCIÓN A LOS BOSQUES ALEATORIOS
1 – Introducción al aprendizaje por ensamble («ensemble learning»)
2 – «Bagging»: otro concepto clave en los Bosques Aleatorios
3 – Principio de funcionamiento de los Bosques Aleatorios
MÓDULO 2: LOS BOSQUES ALEATORIOS EN DETALLE
4 – Algoritmo de entrenamiento de un Bosque Aleatorio
5 – Validación de un Bosque Aleatorio: muestras out-of-bag
6 – Clasificación con Bosques Aleatorios en Python
7 – Regresión con Bosques Aleatorios en Python
8 – Afinación de hiper-parámetros de un Bosque Aleatorio
9 – Análisis de importancia de características de un Bosque Aleatorio
