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
kdd Descubrir Conocimiento en Bases de Datos 21 horas Knowledge discovery in databases (KDD) is the process of discovering useful knowledge from a collection of data. Real-life applications for this data mining technique include marketing, fraud detection, telecommunication and manufacturing. In this course, we introduce the processes involved in KDD and carry out a series of exercises to practice the implementation of those processes. Audience     Data analysts or anyone interested in learning how to interpret data to solve problems Format of the course     After a theoretical discussion of KDD, the instructor will present real-life cases which call for the application of KDD to solve a problem. Participants will prepare, select and cleanse sample data sets and use their prior knowledge about the data to propose solutions based on the results of their observations. Introduction     KDD vs data mining Establishing the application domain Establishing relevant prior knowledge Understanding the goal of the investigation Creating a target data set Data cleaning and preprocessing Data reduction and projection Choosing the data mining task Choosing the data mining algorithms Interpreting the mined patterns
datamodeling Reconocimiento de Patrones 35 horas This course provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. The course is interactive and includes plenty of hands-on exercises, instructor feedback, and testing of knowledge and skills acquired. Audience     Data analysts     PhD students, researchers and practitioners   Introduction Probability theory, model selection, decision and information theory Probability distributions Linear models for regression and classification Neural networks Kernel methods Sparse kernel machines Graphical models Mixture models and EM Approximate inference Sampling methods Continuous latent variables Sequential data Combining models  
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  
Piwik Introducción a Piwik 21 horas Audience Web analysist Data analysists Market researchers Marketing and sales professionals System administrators Format of course     Part lecture, part discussion, heavy hands-on practice Introduction to Piwik Why use Piwik? Piwik vs Google Analystics Setting up Piwik Selecting which websites to monitor Working with the dashboard Understanding visitor activity Actions Referrals Generating reports  
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
matlabdsandreporting MATLAB Fundamentals, Data Science & Report Generation 126 horas In the first part of this training, we cover the fundamentals of MATLAB and its function as both a language and a platform.  Included in this discussion is an introduction to MATLAB syntax, arrays and matrices, data visualization, script development, and object-oriented principles. In the second part, we demonstrate how to use MATLAB for data mining, machine learning and predictive analytics. To provide participants with a clear and practical perspective of MATLAB's approach and power, we draw comparisons between using MATLAB and using other tools such as spreadsheets, C, C++, and Visual Basic. In the third part of the training, participants learn how to streamline their work by automating their data processing and report generation. Throughout the course, participants will put into practice the ideas learned through hands-on exercises in a lab environment. By the end of the training, participants will have a thorough grasp of MATLAB' capabilities and will be able to employ it for solving real-world data science problems as well as for streamlining their work through automation. Assessments will be conducted throughout the course to guage progress. Format of the course Course includes theoretical and practical exercises, including case discussions, sample code inspection, and hands-on implementation. Note Practice sessions will based on pre-arranged sample data report templates. If you have specific requirements, please contact us to arrange Introduction MATLAB for data science and reporting   Part 01: MATLAB fundamentals Overview     MATLAB for data analysis, visualization, modeling, and programming. Working with the MATLAB user interface Overview of MATLAB syntax Entering commands     Using the command line interface Creating variables     Numeric vs character data Analyzing vectors and matrices     Creating and manipulating     Performing calculations Visualizing vector and matrix data Working with data files     Importing data from Excel spreadsheets Working with data types     Working with table data Automating commands with scripts     Creating and running scripts     Organizing and publishing your scripts Writing programs with branching and loops     User interaction and flow control Writing functions     Creating and calling functions     Debugging with MATLAB Editor Applying object-oriented programming principles to your programs   Part 02: MATLAB for data science Overview     MATLAB for data mining, machine learning and predictive analytics Accessing data     Obtaining data from files, spreadsheets, and databases     Obtaining data from test equipment and hardware     Obtaining data from software and the Web Exploring data     Identifying trends, testing hypotheses, and estimating uncertainty Creating customized algorithms Creating visualizations Creating models Publishing customized reports Sharing analysis tools     As MATLAB code     As standalone desktop or Web applications Using the Statistics and Machine Learning Toolbox Using the Neural Network Toolbox   Part 03: Report generation Overview     Presenting results from MATLAB programs, applications, and sample data     Generating Microsoft Word, PowerPoint®, PDF, and HTML reports.     Templated reports     Tailor-made reports         Using organization’s templates and standards Creating reports interactively vs programmatically     Using the Report Explorer     Using the DOM (Document Object Model) API Creating reports interactively using Report Explorer     Report Explorer Examples         Magic Squares Report Explorer Example     Creating reports         Using Report Explorer to create report setup file, define report structure and content     Formatting reports         Specifying default report style and format for Report Explorer reports     Generating reports         Configuring Report Explorer for processing and running report     Managing report conversion templates         Copying and managing Microsoft Word , PDF, and HTML conversion templates for Report Explorer reports     Customizing Report Conversion templates         Customizing the style and format of Microsoft Word and HTML conversion templates for Report Explorer reports     Customizing components and style sheets         Customizing report components, define layout style sheets Creating reports programmatically in MATLAB     Template-Based Report Object (DOM) API Examples         Functional report         Object-oriented report         Programmatic report formatting     Creating report content         Using the Document Object Model (DOM) API     Report format basics         Specifying format for report content     Creating form-based reports         Using the DOM API to fill in the blanks in a report form     Creating object-oriented reports         Deriving classes to simplify report creation and maintenance     Creating and formatting report objects         Lists, tables, and images     Creating DOM Reports from HTML         Appending HTML string or file to a Microsoft® Word, PDF, or HTML report generated by Document Object Model (DOM) API     Creating report templates         Creating templates to use with programmatic reports     Formatting page layouts         Formatting pages in Microsoft Word and PDF reports Summary and closing remarks
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  

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, Instructor de Predictive Analytics, Programas de capacitación de Predictive Analytics, Predictive Analytics en sitio, Predictive Analytics con instructor, Predictive Analytics coaching, Clases Particulares de Predictive Analytics, Cursos de Formación de Predictive Analytics,Capacitación de Fin de Semana de Predictive Analytics, Capacitación empresarial de Predictive Analytics, Cursos Privados de Predictive Analytics, Cursos en linea de Predictive Analytics, Clases de Predictive Analytics , Cursos por la Tarde de Predictive Analytics

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