Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático: supervisado vs. no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- El flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado, implementación
- Elegir el algoritmo correcto para la tarea
- Sobreajuste y el compromiso entre sesgo y varianza
Introducción a Python y sus Bibliotecas de Aprendizaje Automático
- Por qué usar lenguajes de programación para ML
- Elegir entre R y Python
- Curso intensivo de Python y cuadernos Jupyter
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pruebas y Evaluación de Algoritmos de Aprendizaje Automático
- Generalización, sobreajuste y validación del modelo
- Estrategias de evaluación: holdout, cross-validation, bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión, clases desequilibradas
- Visualización del rendimiento del modelo: curva de beneficio, curva ROC, curva de elevación
- Selección de modelos y búsqueda en cuadrícula para ajuste
Preparación de Datos
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y estadísticas descriptivas
- Gestión de valores faltantes y valores atípicos
- Estandarización, normalización y transformación
- Codificación de datos cualitativos y limpieza de datos con pandas
Algoritmos de Clasificación
- Clasificación binaria vs. multiclase
- Regresión logística y funciones discriminantes
- Naïve Bayes, k-vecinos más cercanos
- Árboles de decisión: CART, Bosques Aleatorios, Bagging, Boosting, XGBoost
- Máquinas de soporte vectorial y núcleos
- Técnicas de aprendizaje en conjunto
Regresión y Predicción Numérica
- Mínimos cuadrados y selección de variables
- Métodos de regularización: L1, L2
- Regresión polinomial y modelos no lineales
- Árboles de regresión y splines
Aprendizaje No Supervisado
- Técnicas de clustering: k-means, k-medoids, clustering jerárquico, SOMs
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalado multidimensional
Minería de Texto
- Preprocesamiento y tokenización de texto
- Bolsa de palabras, stemming y lematización
- Análisis de sentimientos y frecuencia de palabras
- Visualización de datos de texto con nubes de palabras
Sistemas de Recomendación
- Filtrado colaborativo basado en usuarios y en elementos
- Diseño y evaluación de motores de recomendación
Minería de Patrones de Asociación
- Conjuntos de ítems frecuentes y algoritmo Apriori
- Análisis de cestas de compra y razón de elevación
Detección de Valores Atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensionalidad
Estudio de Caso de Aprendizaje Automático
- Comprensión del problema de negocio
- Preprocesamiento de datos y ingeniería de características
- Selección de modelos y ajuste de parámetros
- Evaluación y presentación de resultados
- Implementación
Resumen y Pasos Siguientes
Requerimientos
- Comprensión básica de estadísticas y álgebra lineal
- Familiaridad con conceptos de análisis de datos o inteligencia empresarial
- Alguna exposición a la programación (preferiblemente Python o R) es recomendada
- Interés en aprender aprendizaje automático aplicado para proyectos basados en datos
Público Objetivo
- Analistas y científicos de datos
- Estadísticos y profesionales de investigación
- Desarrolladores y profesionales de TI que exploran herramientas de aprendizaje automático
- Cualquiera involucrado en proyectos de ciencia de datos o análisis predictivo
21 Horas
Testimonios (3)
A pesar de tener que faltar un día debido a reuniones con clientes, siento que tengo una comprensión mucho más clara de los procesos y técnicas utilizados en Machine Learning y cuándo usaría una aproximación sobre otra. Nuestro desafío ahora es practicar lo que hemos aprendido y comenzar a aplicarlo a nuestro dominio de problemas.
Richard Blewett - Rock Solid Knowledge Ltd
Curso - Machine Learning – Data science
Traducción Automática
Me gusta que la formación se centrara en ejemplos y codificación. Pensaba que era imposible condensar tanta información en tres días de entrenamiento, pero me equivoqué. La formación abarcó muchos temas y todo se hizo de una manera muy detallada (especialmente el ajuste de los parámetros del modelo - no esperaba que hubiera tiempo para esto y quedé gratamente sorprendido).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
Mostrando muchos métodos con guiones previamente preparados - materiales muy bien preparados y fáciles de rastrear
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
