En este post nos vamos a enfocar en uno de los problemas ineludibles del análisis exploratorio de datos: ¿qué hacer cuando hay datos faltantes?

En este post les comparto una guía paso a paso sobre cómo hacer el análisis exploratorio de datos, una fase esencial en cualquier proyecto de Machine Learning o Ciencia de Datos.

En este artículo hablaremos en detalle de los Bosques Aleatorios, uno de los algoritmos más importantes y más usados en el Machine Learning. Veremos cómo entrenarlos y validarlos y cómo realizar la predicción, cómo elegir los parámetros para su entrenamiento y de las cosas en común y las ventajas que tienen frente a los árboles de decisión.

El Machine Learning ha tenido logros impresionantes en los últimos años, y a veces la tendencia es usarlo para resolver todo tipo de problemas en donde estén involucrados datos. Pero ¿cómo saber cuándo podemos usarlo y cuándo no? Pues en este post les planteo una posible respuesta.

En este post hablaremos del Machine Learning Engineering, el puente que nos permite pasar del Machine Learning Académico/Investigativo a un modelo en producción. Sugerido para quienes estén interesados en desempeñarse laboralmente en esta área.

En este post veremos todos los detalles del algoritmo CART y de cómo usarlo para implementar Árboles de Decisión en una tarea de Regresión. Veremos en detalle cómo funciona paso a paso el algoritmo, cómo se construye el árbol de decisión, cómo se realiza la predicción con este árbol y cómo realizar la poda del mismo en caso de que sea necesario simplificarlo.