Discover @narencastellon Open Source projects

Naren Castellon (@narencastellon)

narencastellon

Stars
82
Global Rank 239,858 (Top 9 %)
Followers 65
Registered about 4 years ago
Most used languages

Jupyter Notebook
100.0 %
Location 🇵🇦 Panama
Country Total Rank 127,162
Country Ranking

Jupyter Notebook
1

Serie-de-tiempo-con-Machine-Learning

Jupyter Notebook

Python

Jupyter Notebook

Normalizacion-de-Datos

Mi-Dataset

Pronostico-Exponenciales-Metodo-Holt-Winters-y-Modelo-de-Tendencia-Amortiguada-con-RStudio

Curso-Peru

Jupyter Notebook

Grafico-de-burbujas-con-RStudio

An-lisis-discriminante-lineal-LDA-con-R

Curva-de-ROC-con-RStudio

MLflow

# Introducción a MLflow MLflow es una plataforma de código abierto para el ciclo de vida del aprendizaje automático (ML), con un enfoque en la reproducibilidad, el entrenamiento y la implementación. Está basado en un diseño de interfaz abierta y es capaz de trabajar con cualquier lenguaje o plataforma, con clientes en Python y Java, y es accesible a través de una API REST. La escalabilidad también es un beneficio importante que un desarrollador de ML puede aprovechar con MLflow. El proposito de este cuaderno, es ver cómo funciona MLflow, con la ayuda de ejemplos y código de muestra. Esto construirá la base necesaria para el resto a fin de utilizar el concepto para diseñar un proyecto de ML de extremo a extremo.

Jupyter Notebook

databricks_pyspark

Jupyter Notebook

Creando-intervalos-en-RStudio

Machine-Learning-con-PySpark-usando-Databricks

Jupyter Notebook

Grafico-financiero-con-RStudio

Importar-precio-de-acciones-de-Yahoo-a-RStudio

Grafico-de-spyder-o-de-radar-basico

Analisis-discriminante-regularizado-RDA

Analisis-discriminante-flexible-FDA

Cadena-de-Markov

Cadena de Markov

Modelo-de-Arbol-de-Clasificacion-con-RStudio

An-lisis-discriminante-cuadr-tico---QDA-con-RStudio

4-forma-de-graficar-funciones-de-densidad-continua

Jupyter Notebook

R-Studio

An-lisis-Discriminante-de-Mezcal-MDA

Crear-particiones-de-datos-para-modelos-de-Machine-Learning-

Los analistas necesitan una evaluación imparcial de la calidad de sus modelos de aprendizaje automático. Para conseguirlo, dividen los datos disponibles en dos partes. Usan una parte para construir el modelo de aprendizaje automático y retienen los datos restantes para la evaluación del desempeño del modelo en los datos de reserva. Veremos 4 varios casos para hacer las particiones: Caso 1: variable objetivo numérica y dos particiones Caso 2: variable objetivo numérica y tres particiones Caso 3: variable objetivo categórica y dos particiones Caso 4: variable objetivo categórica y tres particiones