- 16
- 3 556
Marcusreul
Приєднався 11 вер 2018
Scraping de Datos de la NBA: Aprende desde Cero
Notebook: www.kaggle.com/code/marcusreul/scraping-nba
Переглядів: 47
Відео
Top: Los 7 errores más comunes al hacer una regresión
Переглядів 46Місяць тому
En este video, te mostrare los 7 errores más comunes al hacer una regresión este video es un tipo resumen sobre el capítulo 12: Common Regression Mistakes del libro Naked statistics de Charles Wheelan, así que espero que te guste y sobre todo que te sea de mucha ayuda :) 00:00 Introducción 00:28 Error 1 Regresión no lineal 01:18 Error 2 Correlación no es causalidad 02:32 Error 3 Causalidad inve...
Competencia Kaggle: ¿Cuánto Vale Este Auto Usado?
Переглядів 68Місяць тому
notebook: www.kaggle.com/code/marcusreul/used-cars
Pandas Desde 0 (Tutorial)
Переглядів 157Місяць тому
Notebook: www.kaggle.com/code/marcusreul/pandas-tutorial En este video veremos un tutorial para usar la librería pandas, una de las librerías más importantes para hacer data science, espero les sea de utilidad el video :)
Visualización de Datos Desde 0 con Matplotlib y Seaborn
Переглядів 138Місяць тому
Notebook: www.kaggle.com/code/marcusreul/visualizaci-n-tutorial Documentación: seaborn.pydata.org/api.html En este video veremos cómo podemos hacer gráficos con matplotlib y también le echaremos un pequeño vistazo a la librería de Seaborn, si te interesa el tema y quieres aprender, no dudes en entrar :)
Distribuciones Estadísticas Para Data Science
Переглядів 382 місяці тому
notebook: www.kaggle.com/code/marcusreul/distribuciones-de-datos En este video veras las distribuciones más relevantes para nosotros como data scientist
Solución completa: Spaceship Titanic de Kaggle
Переглядів 792 місяці тому
notebook de la competencia: www.kaggle.com/code/marcusreul/spaceship-titanic ¿Quién ha sido transportado? 🆘 Predicción de desastres en el espacio: Spaceship Titanic. ¡Acompáñame en esta emocionante competencia de Kaggle y pongamos a prueba nuestras habilidades!
¿Qué son las métricas de evaluación?
Переглядів 602 місяці тому
En este video veremos que son las métricas de evaluación en machine learning, su importancia y definiciones de las métricas más importantes como f-1 score, RMSE y muchas más.
Como Crear un Entorno Para Data Science con Miniconda
Переглядів 803 місяці тому
Miniconda proporciona un entorno de línea de comandos simplificado para administrar paquetes y crear entornos virtuales, en este video veremos cómo usar su terminal para crear un notebook de jupyter para ejecutar código de Python 🐍
Proyecto Data Science: Predecir Si Un Desastre Es Real o No Con Tweets
Переглядів 683 місяці тому
link del notebook: www.kaggle.com/code/marcusreul/nlp-disaster-tweets En este video haremos la competencia de Natural Language Processing with Disaster Tweets, un proyecto de NLP para predecir si un texto es real o no.
¿Qué Es La Ingeniería De Características? (Feature Engineering)
Переглядів 253 місяці тому
En este video veremos una introducción a la Ingeniería de Características (Feature Engineering), una técnica fundamental para potenciar el rendimiento de tus modelos de aprendizaje automático. 00:00 Introducción 00:18 ¿Qué es una característica? 00:54 Ingeniería de características 01:18 Tratar con valores nulos 01:40 Transformación de características 3:40 Valores atípicos 4:52 Creación y selecc...
Proyecto de Data Science: Predicción de Precios de Viviendas en Español
Переглядів 2233 місяці тому
Notebook del video: www.kaggle.com/code/marcusreul/proyecto-house-prices En este emocionante proyecto de Data Science, exploraremos cómo predecir los precios de las viviendas 🏠. Desde la limpieza de datos hasta la construcción y búsqueda de hiperparámetros de un modelo, acompañame a ver cada paso de este proyecto
Metodologías De Trabajo En Data Science
Переглядів 694 місяці тому
Descubre las metodologías de trabajo más influyentes en el campo del Data Science y relevantes al menos hasta el año 2024. Desde el clásico CRISP-DM hasta enfoques más recientes como TDSP, exploraremos cómo estas metodologías impulsan la innovación y la toma de decisiones basada en datos. 00:00 Introducción 00:28 CRISP-DM 03:16 KDD 05:04 SEMMA 06:17 TDSP 8:50 Conclusión
Paso a Paso: Proyecto de Data Science en Kaggle con el Titanic
Переглядів 2,4 тис.4 місяці тому
🚢 Paso a Paso: Proyecto de Data Science en Kaggle con el Titanic | En este tutorial, te guiaré a través de un proyecto completo de ciencia de datos utilizando el famoso conjunto de datos del Titanic en Kaggle. Desde la exploración de datos hasta la predicción final.
La mejor plataforma para aprender data science
Переглядів 544 місяці тому
Kaggle | En este video se explicará el concepto junto a una demostración de las secciones más importantes de esta maravillosa plataforma.
Puedes hacer un curso de sraping porfa
Muchas gracias por la idea, lo tendré en cuenta para un futuro
Buena amigo yo tambien estuido data sciencie en la UPC exitos son muy bueno tus videos
Muchas gracias, saludos!
*Buen video bro, cuentanos como aprendiste*
Gracias amigo por tomarte el tiempo nuevo sub
Me dejaron procesar ese dataset y lo estaba haciendo mal , con tu video corregi muchos errores ,gracias
Para servir, me alegra que te haya sido de ayuda :)
No tengo idea de datascience, soy frontend pero me parece interesante esta clase de ejercicios y tu explicación , nuevo sub bro
Muchas gracias Steven
Excelente video bro, estoy empezando a aprender y creo que mejor me a explicado en la parte práctica ya que los demas tutoriales dan explicaciones muy técnicas pero contigo lo entendi y me entretuvo, tienes nuevo suscriptor y seguire tu trabajo para ser un buen analista.🎉
Muchas gracias Brandon, me alegra que te haya gustado, mucha suerte con tu aprendizaje :)
Buen video
Gracias Jabes :)
Hola amigo gracias por tus videos informativos, puedes pasar tu instagram para contactarte porfa
hola, muchas gracias por comentar, la verdad no tengo Instagram ni redes sociales, pero te puedo compartir este correo donde me puedes contactar: marcusreulc@gmail.com
Muy claro todo, gran video! Si podes hacer uno de visualizacion de datos me seria de ayuda para mi portfolio jaja!!
Muchas gracias tomas, lo tendré en cuenta 🙌🏼
Muchas gracias por el vídeo. Estuvo largo pero valió cada minuto porque explicaste todo muy bien. Por fin podré mandar mi primer submission. Pregunta: a que se refiere la puntuación? Es decir, el modelo funcionó completamente, porqué sacate 0.76? Que hay que hacer para mejorar la puntuación?
hola John, muchas gracias por tu comentario, la puntuación se refiere a que tan bien se desempeña el modelo sobre un dataset que el modelo no ha visto, en esta competencia lo evalúa con la métrica de precisión, por ejemplo supongamos que el dataset en que se evaluó contenía 100 valores y en este caso este modelo obtuvo 0.76, eso significa que 76 veces de 100 el modelo acertó si las personas sobrevivían o no. En cuanto a tu pregunta de mejorar la puntuación, el primer paso es mejorar la calidad de los datos ya que los modelos dependen mucho de la calidad de estos para hacer buenas predicciones, a esto también muchas veces le llaman feature engineering, el segundo paso seria ver el modelo que se adapte mejor a los datos, esto normalmente se hace testeando los modelos uno por uno en un bucle y midiéndolo con métricas que se adapte a ese caso, por ejemplo la métrica precisión. Por ultimo el tercer paso seria la búsqueda de hiperparámetros , que es buscar los mejores parámetros del modelo, esto se hace normalmente con técnicas como gridsearchcv, puedes buscar videos al respecto. Esto de mejorar el modelo no es una ciencia exacta y mas bien es un proceso iterativo, esto significa que puedes ir variando cosas para obtener mejores resultados, si no entiendes algún concepto puedes preguntar o buscarlo en UA-cam, este concepto practicarlo y con eso aprender algo nuevo, espero que esta respuesta haya podido resolver tu duda John y puedas seguir aprendiendo mas de este maravilloso mundo del data science :)
Que buena explicación Bro 😊
Gracias Guille :)
¡Hola a todos! En este video, he optado por explicar un código que ya he creado en lugar de codificar en tiempo real. Quiero saber: ¿qué formato prefieren ustedes? ¿Les gusta más cuando explico mientras codifico, aunque sea más largo, o prefieren explicaciones más rápidas sobre código ya hecho? ¡Déjenme sus opiniones en los comentarios! 🤔👇
Opino que está bien así, explicación sobre código ya hecho.
¡Hola a todos! :) Estoy emocionado de leer sus comentarios, recomendaciones e ideas para futuros videos relacionados con data science. agradeceré su feedback.