Este repositorio contiene los proyectos capstone realizados durante el curso Python for Data Science and Machine Learning Bootcamp en Udemy.
Estos proyectos son parte de mi proceso de aprendizaje y han sido realizados siguiendo las instrucciones del curso mencionado. Cada proyecto abarca diferentes aspectos y técnicas de ciencia de datos y machine learning.
El repositorio está organizado de la siguiente manera:
-
Libs: Contiene proyectos y ejemplos relacionados con el uso de diferentes librerías de Python para ciencia de datos:
numpy
: Proyecto utilizando la librería NumPy.pandas
: Proyecto utilizando la librería pandas.matplotlib
: Proyecto utilizando la librería Matplotlib.seaborn
: Proyecto utilizando la librería Seaborn.
-
Machine_Learning: Contiene proyectos relacionados con machine learning, organizados por la librería utilizada:
Sklearn
: Modelos de machine learning implementados con la librería Scikit-Learn.
-
Support Vector Classifier (SVC):
- Descripción: Implementación de un clasificador de vectores de soporte.
-
Logistic Regression:
- Descripción: Implementación de un modelo de regresión logística.
-
Linear Regression:
- Descripción: Implementación de un modelo de regresión lineal.
-
KNearest Neighbors:
- Descripción: Implementación de un modelo de K-Vecinos más Cercanos.
-
KMeans Clustering:
- Descripción: Implementación de un modelo de agrupamiento K-Means.
-
Decision Trees:
- Descripción: Implementación de un modelo de árboles de decisión.
-
Random Forest:
- Descripción: Implementación de un modelo de bosque aleatorio.
-
Natural Languaje Processing:
- Descripción: Implementación de clasificación de reseñas en Yelp utilizando técnicas de procesamiento de lenguaje natural.
-
Propiedad Intelectual: Los proyectos aquí presentados son de propiedad de los creadores del curso Python for Data Science and Machine Learning Bootcamp en Udemy. Han sido recreados con fines educativos y para demostrar mi aprendizaje.
-
Disclaimer: Este repositorio es solo para fines educativos y no tiene ningún fin comercial. Todos los derechos sobre el contenido del curso pertenecen a sus respectivos autores.