En esta sección pondremos en práctica los conceptos estudiados durante el taller mediante proyectos guiados de Machine Learning.
Los proyectos aumentan progresivamente en complejidad y utilizan diferentes tipos de datos: datos tabulares, imágenes y conjuntos de datos reales.
Proyecto 1 — Clasificación con Iris¶
En este primer proyecto construiremos un modelo de clasificación utilizando el conocido dataset Iris.
Aprenderás a:
cargar un dataset real,
explorar sus variables,
separar datos de entrenamiento y prueba,
entrenar un modelo de clasificación,
evaluar el modelo usando accuracy y una matriz de confusión.
Proyecto 2 — Clasificación de imágenes con CIFAR-10¶
En este proyecto trabajaremos con CIFAR-10, un dataset abierto compuesto por imágenes pequeñas pertenecientes a diez categorías.
Aprenderás a:
trabajar con datos de imágenes,
visualizar ejemplos del dataset,
preparar imágenes para Machine Learning,
entrenar un modelo de clasificación,
evaluar su desempeño,
analizar algunos de los retos de visión computacional.
Proyecto 3 — Clasificación de calidad de vino¶
En este proyecto utilizaremos un dataset de calidad de vino tinto para construir un modelo de clasificación utilizando Logistic Regression.
El objetivo será determinar si un vino puede clasificarse como de buena calidad a partir de algunas de sus propiedades químicas.
Aprenderás a:
seleccionar variables relevantes,
definir una variable objetivo,
entrenar una regresión logística,
interpretar predicciones,
evaluar el desempeño del modelo.