Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción a Data Science for Big Data Analytics
-
Data Science Visión general
Visión general de Big Data
Estructuras de datos
Impulsores y complejidades del Big Data
Ecosistema Big Data y un nuevo enfoque de la analítica
Tecnologías clave en Big Data
Proceso y problemas de minería de datos
Minería de patrones de asociación
Agrupación en clústeres de datos
Detección de valores atípicos
Clasificación de datos
Introducción al ciclo de vida de Data Analytics
-
Descubrimiento
Preparación de los datos
Planificación de modelos
Construcción de modelos
Presentación/Communication de resultados
Operacionalización
Ejercicio: Estudio de caso
A partir de este momento , la mayor parte del tiempo de formación (80%) se dedicará a ejemplos y ejercicios de investigación y tecnología de big data relacionada.
Introducción a R
-
Instalación de R y Rstudio
Características del lenguaje R
Objetos en R
Datos en R
Manipulación de datos
Problemas de big data
Ejercicios
Primeros pasos con Hadoop
-
Instalación Hadoop
Descripción de los modos Hadoop
HDFS
Arquitectura de MapReduce
Hadoop Resumen de proyectos relacionados
Escribir programas en Hadoop MapReduce
Ejercicios
Integración de R y Hadoop con RHadoop
-
Componentes de RHadoop
Instalación de RHadoop y conexión con Hadoop
La arquitectura de RHadoop
Hadoop Transmisión con R
Resolución de problemas de análisis de datos con RHadoop
Ejercicios
Preprocesamiento y preparación de datos
-
Pasos de preparación de datos
Extracción de características
Limpieza de datos
Integración y transformación de datos
Reducción de datos: muestreo, selección de subconjuntos de características,
Reducción de dimensionalidad
Discretización y discretización
Ejercicios y estudio de caso
Métodos exploratorios de análisis de datos en R
-
Estadística descriptiva
Análisis exploratorio de datos
Visualización: pasos preliminares
Visualización de una sola variable
Examen de múltiples variables
Métodos estadísticos de evaluación
Prueba de hipótesis
Ejercicios y estudio de caso
Data Visualizations
-
Visualizaciones básicas en R
Paquetes para visualización de datos ggplot2, lattice, plotly, lattice
Dar formato a los gráficos en R
Gráficos avanzados
Ejercicios
Regresión (estimación de valores futuros)
-
Regresión lineal
Casos de uso
Descripción del modelo
Diagnósticos
Problemas con la regresión lineal
Métodos de contracción, regresión de cresta, lazo
Generalizaciones y no linealidad
Splines de regresión
Regresión polinómica local
Modelos aditivos generalizados
Regresión con RHadoop
Ejercicios y estudio de caso
Clasificación
-
Los problemas relacionados con la clasificación
Repaso bayesiano
Bayes ingenuo
Regresión logística
K-vecinos más cercanos
Algoritmo de árboles de decisión
Redes neuronales
Máquinas de vectores de soporte
Diagnóstico de clasificadores
Comparación de los métodos de clasificación
ScalaAlgoritmos de clasificación BLE
Ejercicios y estudio de caso
Evaluación del rendimiento y la selección del modelo
-
Sesgo, varianza y complejidad del modelo
Precisión vs Interpretabilidad
Evaluación de clasificadores
Medidas del rendimiento del modelo/algoritmo
Método de validación de exclusión
Validación cruzada
Ajuste de algoritmos de aprendizaje automático con el paquete de intercalación
Visualización del rendimiento del modelo con curvas Profit ROC y Lift
Métodos de conjunto
-
Embolsado
Random Forests
Impulsar
Aumento de gradiente
Ejercicios y estudio de caso
Máquinas de vectores de soporte para clasificación y regresión
-
Clasificadores de margen máximo
Clasificadores de vectores de soporte
Máquinas de vectores de soporte
SVM's para problemas de clasificación
SVM para problemas de regresión
Selección de características para la agrupación en clústeres Algoritmos basados en representantes: k-medias, k-medoides Algoritmos jerárquicos: métodos aglomerativos y divisivos Algoritmos base probabilísticos: EM Algoritmos basados en densidad: DBSCAN, DENCLUE Validación de clústeres Conceptos avanzados de agrupación en clústeres Agrupación en clústeres con RHadoop Ejercicios y estudio de caso
-
Descubriendo conexiones con el análisis de enlaces
Conceptos de análisis de enlaces Métricas para el análisis de redes El algoritmo Pagerank Tema inducido por hipervínculos Search Predicción de enlaces Ejercicios y estudio de caso
-
Minería de patrones de asociación
Modelo de minería de patrones frecuentes ScalaProblemas de capacidad en la minería de patrones frecuente Algoritmos de fuerza bruta Algoritmo a priori El enfoque de crecimiento de la PF Evaluación de las reglas de los candidatos Aplicación de las Reglas de Asociación Validación y pruebas Diagnósticos Reglas de asociación con R y Hadoop Ejercicios y estudio de caso
-
Creación de motores de recomendación
Descripción de los sistemas de recomendación Técnicas de minería de datos utilizadas en sistemas de recomendación Sistemas de recomendación con el paquete recommenderlab Evaluación de los sistemas de recomendación Recomendaciones con RHadoop Ejercicio: Creación de un motor de recomendaciones
-
Análisis de textos
Pasos del análisis de texto Recopilación de texto sin procesar Bolsa de palabras Frecuencia de términos – Frecuencia inversa de documentos Determinación de los sentimientos Ejercicios y estudio de caso
35 Horas
Testimonios (2)
Intensity, Training materials and expertise, Clarity, Excellent communication with Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Curso - Data Science for Big Data Analytics
The example and training material were sufficient and made it easy to understand what you are doing.
