NOSOTROS CRONOGRAMA FRANQUICIA BLOG CONTACTO ACCESO SISTEMA ACADEMICO

BIG DATA

Machine Learning para el Análisis de Big Data

Código: BIG-003


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.

 Propuesta de Valor: BIG DATA

 Duración: 30 Horas

Áreas de Conocimiento:
BIG DATAREDES 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, regresión.

   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

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. MODELOS DE MACHINE LEARNING

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. MODELOS LINEALES

3.1. PREDICCIÓN NUMÉRICA: MODELOS LINEALES
3.2. REGRESIÓN LOGÍSTICA
3.3. CLASIFICACIÓN LINEAL USANDO PERCEPTRON
3.4. MODELOS DE MÁXIMA VEROSIMILITUD


4. EVALUANDO QUE SE APRENDE

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. ESQUEMAS REALES DE MACHINE LEARNING

5.1. REGRESIÓN: ARBOLES Y REGLAS DE REGRESIÓN
5.2. REGLAS DE CLASIFICACIÓN
5.3. CLUSTERING
5.4. INTRODUCCIÓN A TEMAS AVANZADOS


6. WEKA MACHINE LEARNING WORKBENCH

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



   BENEFICIOS



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.


   INVERSIÓN



La inversión incluye: Material de estudio, certificados e impuestos de ley.

  • En los cursos presenciales proveemos de una computadora por persona y refrigerios.
  • En los cursos virtuales las plataformas interactivas y acceso al aula virtual de recursos.