Cursos de Predictive Analytics

Predictive Analytics Training

Predictive Analytics courses

Testi...Client Testimonials

Applied Machine Learning

ref material to use later was very good.

PAUL BEALES- Seagate Technology.

Predictive Modelling with R

He was very informative and helpful.

Pratheep Ravy - UPC Schweiz GmbH

Applied Machine Learning

ref material to use later was very good

PAUL BEALES - Seagate Technology

Programas de los Cursos de Predictive Analytics

Código Nombre Duración Información General
bigdatar Programming with Big Data in R 21 horas Introduction to Programming Big Data with R (bpdR) Setting up your environment to use pbdR Scope and tools available in pbdR Packages commonly used with Big Data alongside pbdR Message Passing Interface (MPI) Using pbdR MPI 5 Parallel processing Point-to-point communication Send Matrices Summing Matrices Collective communication Summing Matrices with Reduce Scatter / Gather Other MPI communications Distributed Matrices Creating a distributed diagonal matrix SVD of a distributed matrix Building a distributed matrix in parallel Statistics Applications Monte Carlo Integration Reading Datasets Reading on all processes Broadcasting from one process Reading partitioned data Distributed Regression Distributed Bootstrap
d2dbdpa De los Datos a la Decisión con Big Data y Análisis Predictivo 21 horas Audiencia Si intenta dar sentido a los datos a los que tiene acceso o desea analizar datos no estructurados disponibles en la red (como Twitter, Linked in, etc ...) este curso es para usted. Está dirigido principalmente a los tomadores de decisiones y las personas que necesitan elegir qué datos vale la pena recopilar y qué vale la pena analizar. No está dirigido a las personas que configuran la solución, esas personas se beneficiarán de la imagen grande sin embargo. Modo de entrega Durante el curso se presentarán a los delegados ejemplos prácticos de la mayoría de las tecnologías de código abierto. Las conferencias cortas serán seguidas por la presentación y los ejercicios simples por los participantes Contenido y software utilizados Todo el software utilizado se actualiza cada vez que se ejecuta el curso, así que verificamos las versiones más recientes posibles. Cubre el proceso de obtener, formatear, procesar y analizar los datos, para explicar cómo automatizar el proceso de toma de decisiones con el aprendizaje automático. Vista rápida Fuentes de datos Datos de encuadernación Sistemas de recomendación Objetivo de mercado Tipos de datos Estructurado vs no estructurado Estático vs transmitido Datos actitudinales, de comportamiento y demográficos Análisis basado en datos y en el usuario Validez de los datos Volumen, velocidad y variedad de datos Modelos La construcción de modelos Modelos Estadísticos Aprendizaje automático Clasificación de datos Clustering KGrupos, k-medios, vecinos más cercanos Colonias de hormigas, aves flocadas Modelos predictivos Árboles de decisión Máquinas de vectores soporte Clasificación Naive Bayes Redes neuronales Modelo de Markov Regresión Métodos de Ensemble ROI Relación beneficio / costo Costo del software Costo de desarrollo Beneficios potenciales La construcción de modelos Preparación de datos (MapReduce) Limpieza de datos Selección de métodos Modelo en desarrollo Modelo de prueba Evaluación del modelo Implementación e integración de modelos Visión general del software de código abierto y comercial Selección del paquete R-project Bibliotecas de Python Hadoop y Mahout Proyectos seleccionados de Apache relacionados con Big Data y Analytics Solución comercial seleccionada Integración con software y fuentes de datos existentes Precios Etiquetas: Prima  
apachemdev Apache Mahout para Desarrolladores 14 horas Audiencia Desarrolladores involucrados en proyectos que usan el aprendizaje automático con Apache Mahout. Formato Manos en la introducción al aprendizaje de la máquina. El curso se imparte en un formato de laboratorio basado en casos reales de uso práctico. Implementación de sistemas de recomendación con Mahout Introducción a los sistemas de recomendación Representación de datos recomendados Hacer una recomendación Optimización de la recomendación Clustering Conceptos básicos de agrupación Representación de datos Algoritmos de agrupación Mejoras en la calidad de la agrupación Optimización de la implementación de clústeres Aplicación de clustering en el mundo real Clasificación Fundamentos de la clasificación Formación clasificadora Mejoras en la calidad del clasificador
appliedml Aprendizaje Automático Aplicado 14 horas Este curso de capacitación es para personas que deseen aplicar Aprendizaje de la Máquina en aplicaciones prácticas. Audiencia Este curso es para científicos de datos y estadísticos que tienen cierta familiaridad con las estadísticas y saben cómo programar R (o Python u otro idioma elegido). El énfasis de este curso está en los aspectos prácticos de la preparación de datos / modelos, la ejecución, el análisis post hoc y la visualización. El propósito es dar aplicaciones prácticas al Aprendizaje Automático a los participantes interesados en aplicar los métodos en el trabajo. Se utilizan ejemplos específicos del sector para hacer que la formación sea relevante para el público. Naive Bayes Modelos multinomiales Análisis bayesiano de datos categóricos Análisis discriminante Regresión lineal Regresión logística GLM Algoritmo EM Modelos mixtos Modelos Aditivos Clasificación KNN Modelos gráficos bayesianos Análisis Factorial (FA) Análisis de Componentes Principales (PCA) Análisis Independiente de Componentes (ICA) Máquinas de Vector de Soporte (SVM) para regresión y clasificación Impulsando Modelos de Ensemble Redes neuronales Modelos ocultos de Markov (HMM) Modelos del estado espacial Clustering  
predmodr Análisis Predictivo con R 14 horas Problemas con los pronosticadores Planificación de la demanda del cliente Incertidumbre del inversor Planificación económica Cambios estacionales en la demanda / utilización Roles de riesgo e incertidumbre Series de tiempo Ajuste estacional Media móvil Suavizado exponencial Extrapolación Predicción lineal Estimación de tendencias Estacionariedad y modelado ARIMA Métodos econométricos (métodos casuales) Análisis de regresión Regresión lineal múltiple Regresión no lineal múltiple Validación de regresión Pronóstico de la regresión Métodos de juicio Encuestas Método Delphi Construcción de escenarios Previsión tecnológica Pronóstico por analogía Simulación y otros métodos Simulación Mercado de predicción Pronóstico probabilístico y predicción Ensemble
intror Introducción a R con Análisis de Series Temporales 21 horas Introducción y preliminares Haciendo R más amigable, R y GUIs disponibles Rstudio Software y documentación relacionados R y estadísticas Uso R interactivamente Una sesión introductoria Obtención de ayuda con funciones y funciones R, sensibilidad de mayúsculas y minúsculas, etc. Recuperación y corrección de comandos anteriores Ejecutar comandos o desviar la salida a un archivo Permanencia de datos y eliminación de objetos Manipulaciones sencillas; números y vectores Vectores y asignación Aritmética vectorial Generación de secuencias regulares Vectores lógicos Valores faltantes Vectores de caracteres Vectores de índice; seleccionar y modificar subconjuntos de un conjunto de datos Otros tipos de objetos Objetos, sus modos y atributos Atributos intrínsecos: modo y longitud Cambiar la longitud de un objeto Obtención y configuración de atributos La clase de un objeto Matrices y matrices Matrices Indexación de matrices. Subsecciones de una matriz Matrices de índice La función array () El producto externo de dos matrices Transposición generalizada de una matriz Instalaciones Matrix Multiplicación de matrices Ecuaciones lineales e inversión Valores propios y vectores propios Descomposición y determinantes del valor singular Ajuste de mínimos cuadrados y descomposición QR Formando matrices particionadas, cbind () y rbind () La función de concatenación, (), con arrays Tablas de frecuencia de los factores k Listas y marcos de datos Liza Construir y modificar listas Concatenar listas Marcos de datos Creación de marcos de datos attach () y detach () Trabajar con marcos de datos Adjuntar listas arbitrarias Gestión de la ruta de búsqueda ​​​​​​​ Manipulación de datos Selección, subconjunto de observaciones y variables Filtrado, agrupación Recodificación, transformaciones Agregación, combinación de conjuntos de datos Manipulación de caracteres, paquete stringr Lectura de datos Archivos Txt Archivos CSV XLS, XLSX archivos SPSS, SAS, Stata, ... y otros formatos de datos Exportar datos a txt, csv y otros formatos Acceso a datos desde bases de datos utilizando lenguaje SQL Distribuciones de probabilidad R como un conjunto de cuadros estadísticos Examinar la distribución de un conjunto de datos Pruebas de una y dos muestras Agrupación, bucles y ejecución condicional Expresiones agrupadas Declaraciones de control Ejecución condicional: si declaraciones Ejecución repetitiva: para bucles, repetición y mientras Escribir sus propias funciones Ejemplos sencillos Definición de nuevos operadores binarios Argumentos y valores predeterminados El argumento Asignaciones dentro de las funciones Ejemplos más avanzados Factores de eficiencia en los diseños de bloques Eliminar todos los nombres de un conjunto impreso Integración numérica recursiva Alcance Personalización del entorno Clases, funciones genéricas y orientación a objetos Procedimientos gráficos Comandos de trazado de alto nivel La función plot () Visualización de datos multivariados Mostrar gráficos Argumentos a las funciones de trazado de alto nivel Gráficos de visualización básicos Relaciones multivariantes con el paquete de celosía y ggplot Uso de parámetros gráficos Lista de parámetros gráficos Series de tiempo Ajuste estacional Media móvil Suavizado exponencial Extrapolación Predicción lineal Estimación de tendencias Estacionariedad y modelado ARIMA Métodos econométricos (métodos casuales) Análisis de regresión Regresión lineal múltiple Regresión no lineal múltiple Validación de regresión Pronóstico de la regresión  
Piwik Introducción a Piwik 21 horas Audiencia Analista web Analistas de datos Investigación de mercado Profesionales de marketing y ventas Administradores del sistema Formato de curso Conferencia de parte, discusión parcial, práctica práctica intensa   Introducción a Piwik ¿Por qué usar Piwik? Piwik vs Google Analytics Configurando Piwik Seleccionar qué sitios web supervisar Trabajando con el tablero Comprender la actividad del visitante Comportamiento Referencias Generando informes
datamodeling Reconocimiento de Patrones 35 horas Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática. El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos. Audiencia      Analistas de datos      Estudiantes de doctorado, investigadores y profesionales Introducción Teoría de la probabilidad, selección del modelo, teoría de la decisión e información Distribuciones de probabilidad Modelos lineales para regresión y clasificación Redes neuronales Métodos Kernel Máquinas kernel esparcidas Modelos gráficos Modelos de mezcla y EM Inferencia aproximada Métodos de muestreo Variables latentes continuas Datos secuenciales Combinando modelos
kdd Descubrir Conocimiento en Bases de Datos 21 horas El descubrimiento de conocimiento en bases de datos (KDD) es el proceso de descubrir conocimiento útil de una colección de datos. Las aplicaciones de la vida real para esta técnica de minería de datos incluyen marketing, detección de fraude, telecomunicaciones y fabricación. En este curso, presentamos los procesos involucrados en KDD y llevamos a cabo una serie de ejercicios para practicar la implementación de esos procesos. Audiencia      Analistas de datos o cualquier persona interesada en aprender a interpretar datos para resolver problemas Formato del curso      Después de una discusión teórica sobre KDD, el instructor presentará casos de la vida real que requieren la aplicación de KDD para resolver un problema. Los participantes prepararán, seleccionarán y limpiarán conjuntos de datos de muestra y utilizarán sus conocimientos previos sobre los datos para proponer soluciones basadas en los resultados de sus observaciones. Introducción      KDD vs minería de datos Establecer el dominio de la aplicación Establecer conocimiento previo relevante Comprender el objetivo de la investigación Crear un conjunto de datos de destino Limpieza y preprocesamiento de datos Reducción de datos y proyección Elegir la tarea de minería de datos Elegir los algoritmos de minería de datos Interpretando los patrones minados
matlabpredanalytics Matlab for Predictive Analytics 21 horas Predictive analytics is the process of using data analytics to make predictions about the future. This process uses data along with data mining, statistics, and machine learning techniques to create a predictive model for forecasting future events. In this instructor-led, live training, participants will learn how to use Matlab to build predictive models and apply them to large sample data sets to predict future events based on the data. By the end of this training, participants will be able to: Create predictive models to analyze patterns in historical and transactional data Use predictive modeling to identify risks and opportunities Build mathematical models that capture important trends Use data to from devices and business systems to reduce waste, save time, or cut costs Audience Developers Engineers Domain experts Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Introduction     Predictive analytics in finance, healthcare, pharmaceuticals, automotive, aerospace, and manufacturing Overview of Big Data concepts Capturing data from disparate sources What are data-driven predictive models? Overview of statistical and machine learning techniques Case study: predictive maintenance and resource planning Applying algorithms to large data sets with Hadoop and Spark Predictive Analytics Workflow Accessing and exploring data Preprocessing the data Developing a predictive model Training, testing and validating a data set Applying different machine learning approaches ( time-series regression, linear regression, etc.) Integrating the model into existing web applications, mobile devices, embedded systems, etc. Matlab and Simulink integration with embedded systems and enterprise IT workflows Creating portable C and C++ code from MATLAB code Deploying predictive applications to large-scale production systems, clusters, and clouds Acting on the results of your analysis Next steps: Automatically responding to findings using Prescriptive Analytics Closing remarks
matlabdsandreporting Fundamentos de MATLAB, Ciencia de datos y generación de informes 126 horas En la primera parte de esta capacitación, cubrimos los fundamentos de MATLAB y su función como lenguaje y plataforma. Se incluye en esta discusión una introducción a la sintaxis, arreglos y matrices de MATLAB, visualización de datos, desarrollo de guiones y principios orientados a objetos. En la segunda parte, demostramos cómo usar MATLAB para minería de datos, aprendizaje automático y análisis predictivo. Para proporcionar a los participantes una perspectiva clara y práctica del enfoque y el poder de MATLAB, hacemos comparaciones entre el uso de MATLAB y el uso de otras herramientas como hojas de cálculo, C, C ++ y Visual Basic. En la tercera parte de la capacitación, los participantes aprenden a optimizar su trabajo al automatizar el procesamiento de datos y la generación de informes. A lo largo del curso, los participantes pondrán en práctica las ideas aprendidas a través de ejercicios prácticos en un entorno de laboratorio. Al final de la capacitación, los participantes tendrán un conocimiento completo de las capacidades de MATLAB y podrán emplearlo para resolver problemas de ciencia de datos del mundo real, así como para optimizar su trabajo a través de la automatización. Las evaluaciones se llevarán a cabo durante todo el curso para medir el progreso. Formato del curso El curso incluye ejercicios teóricos y prácticos, incluidas discusiones de casos, inspección de código de muestra e implementación práctica. Nota Las sesiones de práctica se basarán en plantillas de informes de datos de muestra previamente organizadas. Si tiene requisitos específicos, contáctenos para hacer arreglos. Introducción MATLAB para ciencia de datos e informes Parte 01: fundamentos de MATLAB Visión de conjunto      MATLAB para análisis de datos, visualización, modelado y programación. Trabajando con la interfaz de usuario de MATLAB Descripción general de la sintaxis de MATLAB Ingresando comandos      Usando la interfaz de línea de comando Creando variables      Numérico vs datos de caracteres Analizando vectores y matrices      Creando y manipulando      Realizando cálculos Visualización de datos vectoriales y matriciales Trabajando con archivos de datos      Importar datos de hojas de cálculo de Excel Trabajando con tipos de datos      Trabajando con datos de tabla Automatización de comandos con scripts      Crear y ejecutar scripts      Organizando y publicando tus guiones Programas de escritura con bifurcaciones y bucles      Interacción del usuario y control de flujo Funciones de escritura      Creación y llamada de funciones      Depuración con el Editor MATLAB Aplicar principios de programación orientados a objetos a sus programas Parte 02: MATLAB para ciencia de datos Visión de conjunto      MATLAB para minería de datos, aprendizaje automático y análisis predictivo Accediendo a los datos      Obtener datos de archivos, hojas de cálculo y bases de datos      Obtención de datos del equipo y hardware de prueba      Obtención de datos del software y la Web Explorando datos      Identificar tendencias, probar hipótesis y estimar la incertidumbre Creando algoritmos personalizados Creando visualizaciones Creando modelos Publicación de informes personalizados Compartir herramientas de análisis      Como código MATLAB      Como aplicaciones de escritorio o web independientes Uso de la Caja de herramientas de estadísticas y aprendizaje automático Uso de la Caja de herramientas de la red neuronal Parte 03: generación de informes Visión de conjunto     Presentación de resultados de programas, aplicaciones y datos de muestra de MATLAB     Generación de informes de Microsoft Word, PowerPoint®, PDF y HTML.     Informes templados     Informes a medida         Usar las plantillas y estándares de la organización Crear informes interactivamente vs programáticamente     Uso del Explorador de informes     Usando la API DOM (Document Object Model) Crear informes de manera interactiva usando Report Explorer     Ejemplos de Explorer de informes         Ejemplo de Magic Squares Report Explorer     Creando informes         Con el Explorador de informes para crear un archivo de configuración de informes, defina la estructura y el contenido del informe     Formateo de informes         Especificación del estilo y formato de informe predeterminados para informes de Report Explorer     Generando informes         Configurar Report Explorer para procesar y ejecutar el informe     Gestión de plantillas de conversión de informes         Copiar y administrar plantillas de conversión de Microsoft Word, PDF y HTML para informes de Report Explorer     Personalización de plantillas de conversión de informes         Personalizar el estilo y el formato de las plantillas de conversión de Microsoft Word y HTML para los informes de Report Explorer     Personalizar componentes y hojas de estilo         Personalizar los componentes del informe, definir hojas de estilo de diseño Crear informes programáticamente en MATLAB     Ejemplos de API de objetos de informe basados ​​en plantillas (DOM)         Informe funcional         Informe orientado a objetos         Formateo de informe programático     Creando contenido de informe         Uso de la API del modelo de objetos de documento (DOM)     Conceptos básicos de formato de informe         Especificación de formato para el contenido del informe     Crear informes basados ​​en formularios         Usar DOM API para completar los espacios en blanco en un formulario de informe     Crear informes orientados a objetos         Derivación de clases para simplificar la creación y el mantenimiento de informes     Crear y formatear objetos de informe         Listas, tablas e imágenes     Crear informes DOM desde HTML         Anexar cadena o archivo HTML a un informe de Microsoft® Word, PDF o HTML generado por la API de Document Object Model (DOM)     Crear plantillas de informes         Crear plantillas para usar con informes programáticos     Formateo de diseños de página         Formateo de páginas en informes de Microsoft Word y PDF

Próximos Cursos

Other regions

Cursos de Fin de Semana de Predictive Analytics, Capacitación por la Tarde de Predictive Analytics, Predictive Analytics boot camp, Clases de Predictive Analytics , Talleres para empresas de Predictive Analytics, Cursos en linea de Predictive Analytics, Programas de capacitación de Predictive Analytics, Clases Particulares de Predictive Analytics, Clases de Predictive Analytics , Cursos Privados de Predictive Analytics, Predictive Analytics en sitio, Capacitador de Predictive Analytics, Cursos de Formación de Predictive Analytics, Cursos por la Tarde de Predictive Analytics,Capacitación de Fin de Semana de Predictive Analytics, Predictive Analytics coaching, Capacitación empresarial de Predictive Analytics, Predictive Analytics con instructor

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No vamos a pasar o vender su dirección a otros.
Siempre puede cambiar sus preferencias o anular la suscripción por completo.

Algunos de nuestros clientes