Curso completo de Machine Learning Data Science en Python COMPLETO

/1. Introducción/

1. Introducción.mp4

1. Introducción/

2. Pre requisitos del curso.mp4

4. Acerca de la valoración prematura del curso en Udemy.mp4

3. Conoce a tu instructor online, Juan Gabriel Gomila.mp4

1. Introducción.srt

4. Acerca de la valoración prematura del curso en Udemy.srt

3. Conoce a tu instructor online, Juan Gabriel Gomila.srt

2. Pre requisitos del curso.srt

10. Árboles y bosques aleatorios/

5. Algoritmos para la generación de árboles de clasificación.mp4

4. Entropía y ganancia de Información.mp4

7. Los problemas del árbol.mp4

2. ¿Qué es un árbol de decisión.mp4

14. Random forests.mp4

13. Árboles de regresión con Python.mp4

9. El tratamiento de ficheros dot.mp4

11. Los árboles de regresión.mp4

3. Homogeneidad en los datos.mp4

6. La poda del árbol.mp4

17. ¿Por qué funcionan los random forests.mp4

8. Los árboles de clasificación con Python.mp4

10. La validación cruzada en un árbol de clasificación.mp4

12. El dataset de las casas de Boston y Kaggle.mp4

15. Random forests para regresión.mp4

1. Árboles y bosques aleatorios.mp4

18. Resumen de árboles y bosques aleatorios.mp4

16. Random forest para clasificación.mp4

13. Árboles de regresión con Python.srt

5. Algoritmos para la generación de árboles de clasificación.srt

4. Entropía y ganancia de Información.srt

8. Los árboles de clasificación con Python.srt

9. El tratamiento de ficheros dot.srt

7. Los problemas del árbol.srt

10. La validación cruzada en un árbol de clasificación.srt

12. El dataset de las casas de Boston y Kaggle.srt

2. ¿Qué es un árbol de decisión.srt

15. Random forests para regresión.srt

14. Random forests.srt

11. Los árboles de regresión.srt

3. Homogeneidad en los datos.srt

17. ¿Por qué funcionan los random forests.srt

6. La poda del árbol.srt

16. Random forest para clasificación.srt

18. Resumen de árboles y bosques aleatorios.srt

1. Árboles y bosques aleatorios.srt

11. Máquinas de Soporte Vectorial/

14. Práctica de SVM reconocimiento facial a lo CSI.mp4

3. El problema de clasificación no óptimo.mp4

15. Práctica de SVM Clasificación de las flores de Iris.mp4

2. Las support vector machines.mp4

10. Los soportes de SVM.mp4

4. Los núcleos no lineales y el problema de la dimensión.mp4

16. Truco qué hacer cuando me toca hacer una análisis de datos.mp4

11. Kernels no lineales.mp4

13. Ajustando las SVM.mp4

17. SVM para regresión.mp4

1. Las máquinas de soporte vectorial.mp4

12. Radial basis function.mp4

8. El problema de la separación.mp4

7. Representación gráfica del hiperplano separador en 2D.mp4

6. Creando el modelo clasificador lineal.mp4

9. Maximizar el margen de clasificación.mp4

5. Soporte Vectorial Clasificador Lineal.mp4

14. Práctica de SVM reconocimiento facial a lo CSI.srt

15. Práctica de SVM Clasificación de las flores de Iris.srt

10. Los soportes de SVM.srt

17. SVM para regresión.srt

16. Truco qué hacer cuando me toca hacer una análisis de datos.srt

3. El problema de clasificación no óptimo.srt

13. Ajustando las SVM.srt

2. Las support vector machines.srt

11. Kernels no lineales.srt

4. Los núcleos no lineales y el problema de la dimensión.srt

8. El problema de la separación.srt

12. Radial basis function.srt

6. Creando el modelo clasificador lineal.srt

5. Soporte Vectorial Clasificador Lineal.srt

7. Representación gráfica del hiperplano separador en 2D.srt

1. Las máquinas de soporte vectorial.srt

9. Maximizar el margen de clasificación.srt

12. K Nearest Neighbors/

2. Los k vecinos más cercanos.mp4

8. Nuestro algoritmo vs scikit-learn.mp4

7. Implementando la decisión por mayoría.mp4

4. Clasificación según los K vecinos.mp4

3. Limpieza del dataset del Cancer.mp4

6. Creando los datos para la clasificación.mp4

5. Clasificando nuevos datos de los tests médicos.mp4

1. La decisión de los K vecinos.mp4

9. Una opinión final sobre los algoritmos de Machine Learning.mp4

7. Implementando la decisión por mayoría.srt

8. Nuestro algoritmo vs scikit-learn.srt

2. Los k vecinos más cercanos.srt

6. Creando los datos para la clasificación.srt

4. Clasificación según los K vecinos.srt

3. Limpieza del dataset del Cancer.srt

9. Una opinión final sobre los algoritmos de Machine Learning.srt

5. Clasificando nuevos datos de los tests médicos.srt

1. La decisión de los K vecinos.srt

13. Sistemas de recomendación/

9. Filtrando con los K nearest neighbors.mp4

1. El rol de las recomendaciones dinámicas en el siglo XXI.mp4

10. Sistemas de Recomendación basados en Ítems.mp4

12. Los resultados finales.mp4

2. El dataset de películas de Movie Lens.mp4

6. La matriz de similaridad entre usuarios.mp4

7. Predecir la valoración de un ítem para un usuario.mp4

11. Recomendando con los K items más parecidos.mp4

3. Análisis exploratorio de los datos y distribución de las valoraciones.mp4

4. Esparseidad de los datos.mp4

5. División en entrenamiento y validación.mp4

9. Filtrando con los K nearest neighbors.srt

10. Sistemas de Recomendación basados en Ítems.srt

12. Los resultados finales.srt

2. El dataset de películas de Movie Lens.srt

6. La matriz de similaridad entre usuarios.srt

3. Análisis exploratorio de los datos y distribución de las valoraciones.srt

4. Esparseidad de los datos.srt

1. El rol de las recomendaciones dinámicas en el siglo XXI.srt

7. Predecir la valoración de un ítem para un usuario.srt

11. Recomendando con los K items más parecidos.srt

5. División en entrenamiento y validación.srt

8. Corrección Error en la clase anterior.html

14. Análisis de componentes principales/

3. Demostración de cómo se hace un ACP.mp4

6. Plotly, la librería de gráficos personalizados e interactivos.mp4

2. El problema de la dimensión.mp4

13. Personalizando los gráficos de plotly.mp4

9. La selección de las componentes principales.mp4

14. Coloraciones y etiquetas de plotly.mp4

12. Más gráficos con Plotly.mp4

1. Análisis de Componentes principales.mp4

10. La proyección en el subespacio vectorial resultante.mp4

7. Los valores y vectores propios de la matriz de covarianzas.mp4

11. Implementación de ACP con sklearn.mp4

8. La matriz de correlaciones y el Singular Value Decomposition.mp4

4. Implementando nuestro propio ACP en Python.mp4

3. Demostración de cómo se hace un ACP.srt

6. Plotly, la librería de gráficos personalizados e interactivos.srt

9. La selección de las componentes principales.srt

13. Personalizando los gráficos de plotly.srt

14. Coloraciones y etiquetas de plotly.srt

2. El problema de la dimensión.srt

12. Más gráficos con Plotly.srt

7. Los valores y vectores propios de la matriz de covarianzas.srt

10. La proyección en el subespacio vectorial resultante.srt

4. Implementando nuestro propio ACP en Python.srt

11. Implementación de ACP con sklearn.srt

8. La matriz de correlaciones y el Singular Value Decomposition.srt

1. Análisis de Componentes principales.srt

5. Cuidado con la siguiente libreria, plotly.html

15. Introducción a las redes neuronales y al deep learning con TensorFlow/

7. La carga del dataset de imágenes.mp4

3. Acerca de las redes neuronales y el deep learning.mp4

13. Validación del modelo.mp4

16. La regresión softmax.mp4

9. Un resumen visual de imágenes.mp4

1. Redes neuronales del futuro.mp4

18. La fase de entrenamiento de la red neuronal.mp4

10. Pre procesado de imágenes previo al ML.mp4

11. Creación del modelo.mp4

12. Entrenamiento del modelo.mp4

5. Instalando TensorFlow en tu ordenador.mp4

8. Análisis exploratorio de los datos.mp4

17. Tensorflow y la regresión softmax.mp4

19. La fase de evaluación de la red neuronal.mp4

14. El dataset de reconocimiento de dígitos.mp4

2. Introducción a Tensor Flow.mp4

15. De datos desestructurados a espacios vectoriales n-dimensionales.mp4

7. La carga del dataset de imágenes.srt

13. Validación del modelo.srt

9. Un resumen visual de imágenes.srt

10. Pre procesado de imágenes previo al ML.srt

18. La fase de entrenamiento de la red neuronal.srt

11. Creación del modelo.srt

5. Instalando TensorFlow en tu ordenador.srt

3. Acerca de las redes neuronales y el deep learning.srt

17. Tensorflow y la regresión softmax.srt

8. Análisis exploratorio de los datos.srt

12. Entrenamiento del modelo.srt

16. La regresión softmax.srt

1. Redes neuronales del futuro.srt

14. El dataset de reconocimiento de dígitos.srt

19. La fase de evaluación de la red neuronal.srt

2. Introducción a Tensor Flow.srt

15. De datos desestructurados a espacios vectoriales n-dimensionales.srt

6. Si tienes problemas con la instalación de TensorFlow.html

4. IMPORTANTE Versión de TensorFlow a utilizar.html

16. Juntar código de R y Python con la librería rpy2/

7. La librería extRemes en acción desde Python.mp4

9. Lo bueno de programación en Python, lo mejor de estadística con R.mp4

8. Rmagic.mp4

5. Llevando objetos de Python a R.mp4

2. Instalar la librería rpy2.mp4

1. Cuando Python conoce a R, no hay límites en el Big Data.mp4

4. Llevando objetos de R a Python.mp4

6. Cómo instalar y cargar paquetes de R desde Python.mp4

7. La librería extRemes en acción desde Python.srt

9. Lo bueno de programación en Python, lo mejor de estadística con R.srt

8. Rmagic.srt

5. Llevando objetos de Python a R.srt

2. Instalar la librería rpy2.srt

4. Llevando objetos de R a Python.srt

6. Cómo instalar y cargar paquetes de R desde Python.srt

1. Cuando Python conoce a R, no hay límites en el Big Data.srt

3. Nota adicional para instalar rpy2 en Windows.html

17. ¿Qué nos depara el futuro/

1. Proyecto final. ¿Qué me depara el futuro.mp4

3. Nos vemos en el próximo curso.mp4

1. Proyecto final. ¿Qué me depara el futuro.srt

3. Nos vemos en el próximo curso.srt

4. Un regalo para ti.html

2. Ejemplo dashboard con las valoraciones de las películas.html

1.1 Web alternativa de datasets.html

2. Instalando nuestra herramienta de trabajo/

1. Cómo instalar Python con Anaconda Navigator.mp4

4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.mp4

2. Las librerías estándar de Machine Learning en Python.mp4

8. Comunidad de estudiantes del curso.mp4

3. Los editores para programar en Python.mp4

7. Las 5 etapas del análisis de datos.mp4

1. Cómo instalar Python con Anaconda Navigator.srt

2. Las librerías estándar de Machine Learning en Python.srt

7. Las 5 etapas del análisis de datos.srt

4. Cómo instalar las mismas librerías que tengo yo en el curso con YML.srt

3. Los editores para programar en Python.srt

4.1 Archivo comprimido.zip

6. IMPORTANTE Para los que la instalación del environment os da error.html

8. Comunidad de estudiantes del curso.srt

9. Algunos cambios en la versión 3.7 de Python.html

5. IMPORTANTE Si el entorno anterior no funciona, prueba con el adjunto aquí.html

5.1 environment.yaml.zip

1.2 Cómo instalar anaconda y python en cualquier sistema operativo.html

1.1 Cómo instalar anaconda y python en cualquier sistema operativo.html

8.1 Comunidad de Estudiantes del Curso.html

1.1 Anaconda Navigator.html

1.2 Anaconda Navigator.html

3. Una introducción al análisis predictivo y al Machine Learning/

4. Aplicaciones y ejemplos del mundo del Data Science.mp4

2. ¿Qué es el análisis predictivo de datos.mp4

1. Ser Data Scientist es la profesión más sexy del siglo XXI.mp4

3. Data Scientist = Matemáticas + Programación + Business.mp4

4. Aplicaciones y ejemplos del mundo del Data Science.srt

2. ¿Qué es el análisis predictivo de datos.srt

1. Ser Data Scientist es la profesión más sexy del siglo XXI.srt

3. Data Scientist = Matemáticas + Programación + Business.srt

4. Limpieza de Datos/

14. Ejercicio descargar y procesar datos desde una URL externa.mp4

15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.mp4

12. Leer los datos desde una URL externa.mp4

17. Qué hacer cuando faltan valores en el dataset.mp4

8. Ejemplos de diferentes carga de datos con read_csv.mp4

1. Data Cleaning.mp4

6. Leer datos procedentes de un CSV.mp4

7. Los parámetros de la función read_csv.mp4

2. El concepto de data frame.mp4

19. Visualización básica de un dataset el scatterplot.mp4

16. ¿Por qué faltan valores en los data sets.mp4

9. El método open para la carga manual de datos.mp4

13. La carga de datos desde una hoja de cálculo.mp4

11. Leer y escribir en un fichero con Python.mp4

18. Las variables dummy.mp4

21. Visualización básica de un dataset el boxplot.mp4

20. Visualización básica de un dataset el histograma de frecuencias.mp4

3. El repositorio Git del curso.mp4

14. Ejercicio descargar y procesar datos desde una URL externa.srt

7. Los parámetros de la función read_csv.srt

17. Qué hacer cuando faltan valores en el dataset.srt

15. Las funciones básicas de resumen, estructura, dimensiones y cabecera.srt

8. Ejemplos de diferentes carga de datos con read_csv.srt

9. El método open para la carga manual de datos.srt

16. ¿Por qué faltan valores en los data sets.srt

19. Visualización básica de un dataset el scatterplot.srt

6. Leer datos procedentes de un CSV.srt

18. Las variables dummy.srt

21. Visualización básica de un dataset el boxplot.srt

12. Leer los datos desde una URL externa.srt

2. El concepto de data frame.srt

20. Visualización básica de un dataset el histograma de frecuencias.srt

13. La carga de datos desde una hoja de cálculo.srt

11. Leer y escribir en un fichero con Python.srt

3. El repositorio Git del curso.srt

1. Data Cleaning.srt

10. Cuidado con el método open.html

5. Acerca de las barras en Windows.html

4. ¿Qué hago si no me autocompleta Jupyter.html

3.1 El repositorio Git del Curso.html

5. Operaciones de manejo de datos/

23. Carga de cientos de datos distribuidos.mp4

24. Ejercicio el data set de los juegos olímpicos.mp4

1. Data Wrangling.mp4

22. Concatenar dos datasets por filas.mp4

4. Buscar un subconjunto de datos de un dataset.mp4

28. Ejemplos de joins con Python.mp4

25. Concatenar los datos con merge.mp4

18. Filtrado, Transformación y otras operaciones útiles.mp4

26. Formas de cruzar tablas con joins.mp4

27. Eliminar datos de datasets con restricciones de conjunto.mp4

21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.mp4

17. Agregación de datos.mp4

16. Agrupación de los datos por categorías.mp4

15. Un dummy data frame con variables categóricas.mp4

19. Conjunto de entrenamiento y de testing.mp4

6. Subconjuntos de filas con ciertas condiciones.mp4

13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.mp4

30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.mp4

8. Generar números aleatorios.mp4

29. Ya conoces las bases del manejo de datos.mp4

7. Subconjuntos con loc e iloc y creación de nuevas columnas.mp4

12. La distribución Normal.mp4

14. Generando dummy data frames.mp4

11. La distribución uniforme.mp4

9. La semilla de la generación aleatoria.mp4

10. Funciones de distribución de probabilidades.mp4

2.1 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg

2.2 2018-05-09_23-40-38-fe3ca92ce37648006c5d5e94ed873b61.jpg

2.2 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg

2.1 2018-05-09_23-40-38-41dcf24f24c7e29a782f135742c028c6.jpg

13. El método de la simulación de Monte-Carlo para encontrar el valor de Pi.srt

23. Carga de cientos de datos distribuidos.srt

8. Generar números aleatorios.srt

4. Buscar un subconjunto de datos de un dataset.srt

6. Subconjuntos de filas con ciertas condiciones.srt

24. Ejercicio el data set de los juegos olímpicos.srt

7. Subconjuntos con loc e iloc y creación de nuevas columnas.srt

22. Concatenar dos datasets por filas.srt

12. La distribución Normal.srt

26. Formas de cruzar tablas con joins.srt

28. Ejemplos de joins con Python.srt

18. Filtrado, Transformación y otras operaciones útiles.srt

21. Muestreo aleatorio cómo dividir un dataset en conjunto de entreno y validación.srt

25. Concatenar los datos con merge.srt

27. Eliminar datos de datasets con restricciones de conjunto.srt

15. Un dummy data frame con variables categóricas.srt

17. Agregación de datos.srt

14. Generando dummy data frames.srt

11. La distribución uniforme.srt

1. Data Wrangling.srt

16. Agrupación de los datos por categorías.srt

19. Conjunto de entrenamiento y de testing.srt

10. Funciones de distribución de probabilidades.srt

9. La semilla de la generación aleatoria.srt

29. Ya conoces las bases del manejo de datos.srt

30. ¿Te gusta el curso ¡Valóralo y cuéntanos tu opinión!.srt

20. Atualización cómo dividir conjunto de entrenamiento y test.html

3. Fe de erratas.html

5. Filtrados alternativos.html

2. Una chuleta de pandas para Data Wrangling.html

6. Conceptos básicos de estadística para la modelización predictiva/

8. Correlación entre variables.mp4

1. Los conceptos fundamentales de estadística.mp4

6. Cómo hacer un contraste de hipótesis paso a paso.mp4

7. Test de la chi cuadrado.mp4

5. Los contrastes de hipótesis.mp4

4. Muestreo aleatorio y el teorema central del límite.mp4

2. Un resumen de los estadísticos básicos (en R).mp4

9. Un resumen de lo aprendido.mp4

3.1 Datos estadisticos (1).pdf

2. Un resumen de los estadísticos básicos (en R).srt

8. Correlación entre variables.srt

6. Cómo hacer un contraste de hipótesis paso a paso.srt

7. Test de la chi cuadrado.srt

4. Muestreo aleatorio y el teorema central del límite.srt

5. Los contrastes de hipótesis.srt

1. Los conceptos fundamentales de estadística.srt

9. Un resumen de lo aprendido.srt

3. El resumen de estadísticos en Python (propuesta de un estudiante).html

7. Regresión lineal con Python/

19. Transformar las variables en relaciones no lineales.mp4

16. Variables categóricas en una regresión lineal.mp4

5. Sumas de los cuadrados totales, de las diferencias y de la regresión.mp4

8. Interpretar los parámetros de la regresión.mp4

3. Demostración de la obtención de los parámetros del modelo lineal.mp4

21. Otros problemas y consideraciones de la regresión lineal.mp4

2. Las matemáticas tras una regresión lineal.mp4

10. Regresión lineal múltiple.mp4

18. Enmascarado de variables categóricas redundantes.mp4

20. El problema de los outliers.mp4

9. Implementar una regresión lineal con Python.mp4

1. La regresión lineal.mp4

7. Encontrando los coeficientes óptimos de la regresión.mp4

15. Modelos lineales con variables categóricas.mp4

22. Un resumen de la regresión lineal.mp4

12. Validando nuestro modelo.mp4

11. El problema de la multicolinealidad.mp4

14. Regresión lineal con scikit-learn.mp4

13. El resumen de todos los modelos lineales creados.mp4

4. Errores normalmente distribuidos.mp4

19. Transformar las variables en relaciones no lineales.srt

5. Sumas de los cuadrados totales, de las diferencias y de la regresión.srt

16. Variables categóricas en una regresión lineal.srt

10. Regresión lineal múltiple.srt

9. Implementar una regresión lineal con Python.srt

3. Demostración de la obtención de los parámetros del modelo lineal.srt

20. El problema de los outliers.srt

18. Enmascarado de variables categóricas redundantes.srt

8. Interpretar los parámetros de la regresión.srt

7. Encontrando los coeficientes óptimos de la regresión.srt

12. Validando nuestro modelo.srt

21. Otros problemas y consideraciones de la regresión lineal.srt

11. El problema de la multicolinealidad.srt

14. Regresión lineal con scikit-learn.srt

2. Las matemáticas tras una regresión lineal.srt

1. La regresión lineal.srt

15. Modelos lineales con variables categóricas.srt

22. Un resumen de la regresión lineal.srt

13. El resumen de todos los modelos lineales creados.srt

4. Errores normalmente distribuidos.srt

6. Ejercicio demostrar que SST = SSR + SSD.html

17. Otra forma más simple de calcular las predicciones.html

8. Regresión logística con Python/

7. Estimación con el método de máxima verosimilitud.mp4

8. Crear un modelo logístico desde cero.mp4

9. Análisis exploratorio de los datos.mp4

16. Implementación de las curvas ROC en Python.mp4

10. La selección de variables del dataset para el modelo logístico.mp4

6. De la regresión lineal a la logística.mp4

15. Las matrices de confusión y las curvas ROC.mp4

2. Regresión lineal vs regresión logística.mp4

12. Validación del modelo y evaluación del mismo.mp4

11. Implementar una regresión logística con Python.mp4

4. Probabilidades condicionadas.mp4

17. Resumen de la regresión logística.mp4

5. Cociente de probabilidades.mp4

14. Validación cruzada con Python.mp4

13. La validación cruzada.mp4

1. La regresión logística.mp4

3. Las matemáticas detrás de la regresión logística.mp4

8. Crear un modelo logístico desde cero.srt

7. Estimación con el método de máxima verosimilitud.srt

16. Implementación de las curvas ROC en Python.srt

9. Análisis exploratorio de los datos.srt

6. De la regresión lineal a la logística.srt

10. La selección de variables del dataset para el modelo logístico.srt

12. Validación del modelo y evaluación del mismo.srt

13. La validación cruzada.srt

11. Implementar una regresión logística con Python.srt

14. Validación cruzada con Python.srt

5. Cociente de probabilidades.srt

4. Probabilidades condicionadas.srt

3. Las matemáticas detrás de la regresión logística.srt

15. Las matrices de confusión y las curvas ROC.srt

2. Regresión lineal vs regresión logística.srt

17. Resumen de la regresión logística.srt

1. La regresión logística.srt

9. Clustering y clasificación/

2. ¿Qué es y para qué sirve el clustering.mp4

3. El concepto de distancia.mp4

17. Implementando la técnica del codo y el coeficiente de la silueta.mp4

10. Un clustering completo por donde cortamos el dendrograma.mp4

6. Uniendo datos manualmente.mp4

14. Ejercicio Segmentación de los vinos.mp4

9. Un clustering completo representación del dendrograma.mp4

5. Métodos de enlace.mp4

8. Un clustering completo la fase de exploración de datos.mp4

18. Propagación de la afinidad.mp4

19. Implementando la propagación de la afinidad.mp4

1. Clustering.mp4

12. El método de k-means.mp4

7. Clustering jerárquico en Python.mp4

16. El coeficiente de la silueta.mp4

4. Matriz de distancias en Python.mp4

21. Los K medoides y el clustering espectral.mp4

11. Un clustering completo visualización final del clustering.mp4

13. Implementando k-means con Python.mp4

22. Resumen del clustering.mp4

20. Generando distribuciones en forma de anillo.mp4

15. El método del codo.mp4

17. Implementando la técnica del codo y el coeficiente de la silueta.srt

10. Un clustering completo por donde cortamos el dendrograma.srt

9. Un clustering completo representación del dendrograma.srt

14. Ejercicio Segmentación de los vinos.srt

6. Uniendo datos manualmente.srt

3. El concepto de distancia.srt

2. ¿Qué es y para qué sirve el clustering.srt

19. Implementando la propagación de la afinidad.srt

8. Un clustering completo la fase de exploración de datos.srt

21. Los K medoides y el clustering espectral.srt

7. Clustering jerárquico en Python.srt

5. Métodos de enlace.srt

4. Matriz de distancias en Python.srt

11. Un clustering completo visualización final del clustering.srt

20. Generando distribuciones en forma de anillo.srt

13. Implementando k-means con Python.srt

16. El coeficiente de la silueta.srt

18. Propagación de la afinidad.srt

12. El método de k-means.srt

1. Clustering.srt

22. Resumen del clustering.srt

15. El método del codo.srt

Total files 474