Regresión logística con NumPy y Python

Offered By
Coursera Project Network
In this Guided Project, you will:

Implementarás el algoritmo de descenso de gradientes desde cero

Realizarás una regresión logística con Numpy y Python

Crearás visualizaciones de datos con Matplotlib y Seaborn

Clock2 horas
BeginnerBeginner
CloudNo download needed
VideoSplit-screen video
Comment DotsSpanish
LaptopDesktop only

Bienvenidos a este curso basado en un proyecto de regresión logística con Numpy y Python. En este proyecto, aprenderás uno de los conceptos bases del machine learning sin usar ninguna de las bibliotecas o librerías populares de machine learning como scikit-learn y statsmodels. El objetivo de este proyecto es que implementes por ti mismo toda la carpintería, incluyendo descenso de gradiente, función de costo, y regresión logística, que se utilizan en diversos algoritmos de aprendizaje, para que tengas una comprensión más profunda de los fundamentos. Para cuando complete este proyecto, podrá construir un modelo de regresión logística utilizando Python y Numpy, realizar análisis de datos exploratorios básicos, e implementar el descenso de gradientes desde cero. Este curso se ejecuta en la plataforma de proyectos prácticos de Coursera llamada Rhyme. En Rhyme, se realizan proyectos de forma práctica en el navegador. Tendrás acceso instantáneo a escritorios en la nube pre-configurados que contienen todo el software y los datos que necesitas para el proyecto. Todo ya está configurado directamente en tu navegador de Internet para que puedas concentrarte en el aprendizaje. Para este proyecto, obtendrás acceso instantáneo a un escritorio en la nube con Python, Jupyter, Numpy y Seaborn preinstalados.

Skills you will develop

  • Data Science
  • Machine Learning
  • Python Programming
  • classification
  • Numpy

Learn step-by-step

In a video that plays in a split-screen with your work area, your instructor will walk you through these steps:

  1. Introducción a Rhyme y al proyecto

  2. Importar el dataset y las librerías

  3. Visualización de los datos

  4. Definir la función logística de Sigmoid

  5. Calcular la función del costo y el gradiente

  6. Inicializar el costo y el gradiente

  7. Calcular el descenso del gradiente

  8. Trazar la convergencia de la función del costo

  9. Trazar el límite de decisión

  10. Realizar predicciones usando los valores optimizados

How Guided Projects work

Your workspace is a cloud desktop right in your browser, no download required

In a split-screen video, your instructor guides you step-by-step

Frequently asked questions

Frequently Asked Questions

More questions? Visit the Learner Help Center.