Libreria de Python

Scikit- Learn
Jhesnit Dayana Acuña Calderon - 20192020120
¿Qué es?
Scikit-learn es una librería de código
abierto. Proporciona una gama de
algoritmos de aprendizaje
supervisados y no supervisados en
python.
Scikit - Learn

Machine learn
Aprendizaje supervisado y
no supervisado
Python
Reutilizable
Este librería está construida sobre
SciPy (Scientific Python) e incluye
las siguientes librerías o paquetes
Implementacion

Para implementar scikit-learn,

primero se debe importar los
paquetes anteriores.
Lineas de código
Júpiter
 Funciones
Algoritmos de aprendizaje Validación cruzada

La gran mayoría de los algoritmos Existen varios métodos para

de Machine Learning que entran verificar la precisión de los
en la clasificación de aprendizaje modelos y esta librería cuenta
supervisado forman parte de con las Instrucciones para poder
sclkit-learn implementarlos

Algoritmos de aprendizaje
no supervisados

Esta librería cuenta con una gran

variedad de algoritmos
disponibles
 Funciones
Varios conjuntos de datos
Pone a disposición varios dataset
que son muy útil para que puedas
practicar tus conocimientos de
Machine Learning con python
Extracción y selección de
características
Es muy útil para extraer
características de imágenes y texto,
así como también para identificar
atributos significativos

Comunidad

Hay alrededor de 35
colaboradores hasta la fecha
mejorando esta libreria
Modo de uso
Scikit learn viene con conjuntos
de datos de muestra, como iris
y dígitos . Puede importar los
conjuntos de datos y jugar con
ellos.
 Ejemplos de uso

Clasificación
Regresión
Agrupación
Reducción de dimensionalidad
Selección de modelo
Preprocesamiento
Clasificacion
Identificar a qué categoría
pertenece un objeto

Aplicaciones: detección de spam,

reconocimiento de imágenes.
Regresion
Predecir un atributo de valor
continuo asociado con un objeto.

Aplicaciones: Respuesta a
medicamentos, Precios de
acciones.
Agrupacion
Agrupación automática de
objetos similares en conjuntos.

Aplicaciones: Segmentación de
clientes, Agrupación de
resultados de experimentos
Reduccion de
dimensiones
Reducir el número de variables
aleatorias a considerar.

Aplicaciones: Visualización,
Aumento de la eficiencia
Seleccion de
modelo
Comparar, validar y elegir
parámetros y modelos.

Aplicaciones: Precisión mejorada

mediante
Preprocesamiento
Extracción y normalización de
características.

Aplicaciones: transformación de
datos de entrada, como texto,
para su uso con algoritmos de
aprendizaje automático.
¿Alguna
pregunta?