En este módulo de Machine Learning se proporciona casos prácticos, técnicas clásicas y modernas. En concreto se analizarán técnicas de representación de la información, predicción y clasificación en aplicación del análisis de datos enfocados a Big Data análisis.
Duración: 30 Horas
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.
Certificación emitida por COGNOS.
1.1. EL USO DEL MACHINE LEARNING EN CIENCIAS ECONÓMICAS Y FINANCIERAS
1.2. LOS PROBLEMAS DE LAS POLÍTICAS DE PREDICCIÓN
1.3. INFERENCIA CAUSAL
2.1. LASSO
2.2. CLASIFICACIÓN DE ARBOLES DE REGRESIÓN
2.3. ARBOLES ALEATORIOS
2.4. BOOSTING
2.5. BAGGING
2.6. EVALUACIÓN DE MODELOS
3.1. PREDICCIÓN NUMÉRICA: MODELOS LINEALES
3.2. REGRESIÓN LOGÍSTICA
3.3. CLASIFICACIÓN LINEAL USANDO PERCEPTRON
3.4. MODELOS DE MÁXIMA VEROSIMILITUD
4.1. ENTRENAMIENTO Y TESTEO
4.2. DESEMPEÑO DE LA PREDICCIÓN
4.3. VALIDACIÓN CRUZADA
4.4. OTROS ESTIMADORES
4.5. COUNTING THE COST
5.1. REGRESIÓN: ARBOLES Y REGLAS DE REGRESIÓN
5.2. REGLAS DE CLASIFICACIÓN
5.3. CLUSTERING
5.4. INTRODUCCIÓN A TEMAS AVANZADOS
6.1. INSTALACIÓN WEKA
6.2. MANEJO Y PROCESAMIENTO DE DATOS
6.3. EXPLORACIÓN Y TRANSFORMACIONES DE LOS DATOS
6.4. ANÁLISIS DE CLUSTER
6.5. ANÁLISIS DE ASOCIACIÓN
6.6. CREACIÓN DE MODELOS
6.7. EVALUACIÓN DE MODELOS
6.8. FILTROS NO SUPERVISADOS DE ATRIBUTOS
6.9. FILTROS NO SUPERVISADOS DE INSTANCIAS
6.10. APRENDIZAJE DE ALGORITMOS DE ASOCIACIÓN
Al finalizar el curso los participantes sabrán como diseñar e implementar técnicas de visualización de datos avanzadas, que permitan transmitir de forma efectiva los resultados de los análisis.
La inversión incluye: Material de estudio, certificados e impuestos de ley.