Logo Nuri Nuri Data Science
Logo Nuri

Nuri Data Science

Nuri Data Science – Plataforma de Ejercicios de Ciencia de Datos, SQL, Python y Machine Learning

Playground de Modelos

🎮

Experimenta con los algoritmos mas usados en ciencia de datos. Ajusta hiperparametros con sliders, genera datos sinteticos y observa en tiempo real como cambia el comportamiento del modelo en la grafica. Selecciona una categoria para abrir el playground interactivo.

📈
6 modelos · scatter + recta
Regresion

Visualiza como una recta o curva se ajusta a los datos. Experimenta con regularizacion, el grado del polinomio y el impacto de los outliers en cada tipo de modelo.

Modelos incluidos
Simple Multiple Ridge Lasso Elastic Net Polinomial
Hiperparametros ajustables
⚙ λ regularizacion ⚙ Grado polinomio ⚙ % Ruido ⚙ N puntos
🔬
5 modelos · fronteras de decision
Clasificacion

Observa las fronteras de decision de cada algoritmo sobre un scatter 2D. Cambia el umbral, el numero de vecinos o la profundidad del arbol y ve como cambia la region clasificada.

Modelos incluidos
Logistica KNN Arbol de Decision SVM Naive Bayes
Hiperparametros ajustables
⚙ Umbral decision ⚙ K vecinos ⚙ Profundidad ⚙ Kernel SVM
🫧
4 algoritmos · segmentacion visual
Clustering

Genera nubes de puntos sinteticas y observa como cada algoritmo las agrupa. Ajusta el numero de clusters, la densidad minima o el radio de busqueda y compara los resultados.

Algoritmos incluidos
K-Means DBSCAN Jerarquico Gaussian Mixture
Hiperparametros ajustables
⚙ K clusters ⚙ Epsilon ε ⚙ Min muestras ⚙ Iteraciones
⏱️
4 modelos · pronostico temporal
Series de Tiempo

Genera series temporales sinteticas con tendencia, estacionalidad y ruido configurables. Aplica distintos modelos y compara el pronostico contra los datos reales en la misma grafica.

Modelos incluidos
Media Movil ARIMA Suavizado Exp. Descomposicion STL
Hiperparametros ajustables
⚙ Ventana (w) ⚙ p · d · q ⚙ α suavizado ⚙ Estacionalidad
🔭
4 tecnicas · reduccion dimensional
PCA y Reduccion

Comprime datos de alta dimension a 2D o 3D y observa como se agrupan en el espacio reducido. Ajusta el numero de componentes y visualiza cuanta varianza explica cada uno con la curva de sedimentacion.

Tecnicas incluidas
PCA Kernel PCA t-SNE UMAP
Hiperparametros ajustables
⚙ N componentes ⚙ Varianza min. ⚙ Perplexity ⚙ N vecinos