COGNOS - Capacitación

Mineria De Datos Para El Análisis De Big Data

Código: BIG-002

En este módulo de Minería de Datos se proporciona casos prácticos, técnicas clásicas y modernas de Minería de Datos. En concreto se analizarán técnicas de representación de la información, predicción y clasificación en aplicación del análisis de datos enfocados a Big Data análsis.

Propuesta de Valor: BIG DATA

Duración: 45 Horas

Áreas de Conocimiento:

BIG DATA REDES Y TELECOMUNICACIONES

Exportar Contenido a PDF

AUDIENCIA

Personal de Análisis en Banca, Seguros, estudiantes universitarios, estudiantes de postgrado, público en general. Licenciados en Física, Estadística, Matemáticas, Ciencias Económicas y Financieras, e Ingenierías.

PRE REQUISITOS

Preferiblemente con base y conocimientos en: Estadística, probabilidad, programación, algoritmos y optimización, regresion.

OBJETIVOS

Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Capacidad para manejar las herramientas de modelización propias de la inteligencia de negocio, inferencia estadística, la calidad de procesos, la minería de datos, los procesos estocásticos, la Investigación Operativa y/o el análisis de decisiones.
Capacidad para comprender las diferentes metodologías y herramientas de minería de datos, en particular aplicadas a la detección de información no evidente.
Capacidad para entender, diseñar e implementar técnicas de visualización de datos avanzadas, que permitan transmitir de forma efectiva los resultados de los análisis.

CERTIFICACIÓN DISPONIBLE

Certificación emitida por COGNOS.

CONTENIDO

1. INTRODUCCIÓN A LA MINERÍA DE DATOS

1.1. MODELOS DE PREDICCIÓN: CLASIFICACIÓN, REGRESIÓN Y SERIES TEMPORALES
1.2. PREPARACIÓN DE DATOS
1.3. MODELOS DE AGRUPAMIENTO O SEGMENTACIÓN
1.4. MODELOS DE ASOCIACIÓN
1.5. MODELOS AVANZADOS DE MINERÍA DE DATOS
1.6. BIG DATA

2. COMPONENTES PRINCIPALES Y ANÁLISIS DE CORRESPONDENCIAS

2.1. INTRODUCCIÓN AL ANÁLISIS ESTADÍSTICO DE DATOS MULTIVARIANTES
2.2. ANÁLISIS ESTADÍSTICO PRELIMINAR DE LOS DATOS
2.3. ANÁLISIS ESTADÍSTICO

3. CLASIFICACIÓN, ESTIMACIÓN Y PREDICCIÓN CON REDES NEURONALES (RN)

3.1. INSTRUMENTACIÓN E INSTALACIÓN DE PROGRAMAS LIBRES PARA EL ANÁLISIS DE RN
3.2. REDES NEURONALES CLÁSICAS
3.3. REDES NEURONALES CONVOLUCIONALES
3.4. REDES NEURONALES Y TÉCNICAS NO SUPERVISADAS
3.5. REDES NEURONALES RECURRENTES

4. SUPORTED VECTOR MACHINE

4.1. ¿QUÉ ES LA MÁQUINA DE VECTORES DE SOPORTE?
4.2. ¿CÓMO FUNCIONA?
4.3. ¿CÓMO IMPLEMENTAR SVM EN PYTHON Y R?
4.4. ¿CÓMO AJUSTAR LOS PARÁMETROS DE SVM?
4.5. PROS Y CONTRAS ASOCIADOS CON SVM

5. ÁRBOLES DE REGRESIÓN Y REGLAS DE DECISIÓN

5.1. REGRESIÓN: ÁRBOLES Y REGLAS DE REGRESIÓN
5.2. APRENDIZAJE BAYESIANO
5.3. APRENDIZAJE BASADO EN INSTANCIAS

6. ANÁLISIS CLÚSTER

6.1. INSTALACIÓN PROGRAMAS DE MINERÍA DE DATOS
6.2. MANEJO Y PROCESAMIENTO DE DATOS
6.3. EXPLORACIÓN Y TRANSFORMACIONES DE LOS DATOS
6.4. ANÁLISIS DE CLÚSTER
6.5. ANÁLISIS DE ASOCIACIÓN
6.6. CREACIÓN DE MODELOS
6.7. EVALUACIÓN DE MODELOS

BIG DATA