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
- Machine Learning Introducción
- Tipos de aprendizaje automático: aprendizaje supervisado frente a aprendizaje no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- El flujo de trabajo Data Mining:
- Business Comprensión
- Comprensión de los datos
- Preparación de los datos
- Modelado
- Evaluación
- Despliegue
- Algoritmos de aprendizaje automático
- Elegir el algoritmo adecuado para el problema
- Sobreajuste y compensación entre sesgos y varianzas en ML
- Bibliotecas de ML y lenguajes de programación
- ¿Por qué usar un lenguaje de programación?
- Elegir entre R y Python
- Python Curso intensivo
- Python Recursos
- Python Bibliotecas para el aprendizaje automático
- Jupyter Notebook y codificación interactiva
- Prueba de algoritmos de ML
- Generalización y sobreajuste
- Evitar el sobreajuste
- Método de exclusión
- Validación cruzada
- Bootstrapping
- Evaluación de predicciones numéricas
- Medidas de precisión: ME, MSE, RMSE, MAPE
- Estabilidad de parámetros y predicciones
- Evaluación de algoritmos de clasificación
- La precisión y sus problemas
- La matriz de confusión
- Problema de clases desequilibradas
- Visualización del rendimiento del modelo
- Curva de beneficios
- Curva ROC
- Curva de elevación
- Selección de modelos
- Ajuste de modelos: estrategias de búsqueda de cuadrícula
- Ejemplos en Python
- Preparación de los datos
- Importación y almacenamiento de datos
- Comprender los datos: exploraciones básicas
- Manipulaciones de datos con la biblioteca pandas
- Transformaciones de datos: organización de datos
- Análisis exploratorio
- Observaciones faltantes: detección y soluciones
- Valores atípicos: detección y estrategias
- Estandarización, normalización, binarización
- Recodificación de datos cualitativos
- Ejemplos en Python
- Clasificación
- Clasificación binaria frente a multiclase
- Clasificación a través de funciones matemáticas
- Funciones discriminantes lineales
- Funciones discriminantes cuadráticas
- Regresión logística y enfoque probabilístico
- k-vecinos más cercanos
- Bayes ingenuo
- Árboles de decisión
- CARRO
- Embolsado
- Random Forests
- Impulsar
- Xgboost
- Soporte de máquinas vectoriales y kernels
- Clasificador de margen máximo
- Máquina de vectores de soporte
- Aprendizaje en conjunto
- Ejemplos en Python
- Regresión y predicción numérica
- Estimación de mínimos cuadrados
- Técnicas de selección de variables
- Regularización y estabilidad- L1, L2
- No linealidades y mínimos cuadrados generalizados
- Regresión polinómica
- Splines de regresión
- Árboles de regresión
- Ejemplos en Python
- Aprendizaje no supervisado
- Agrupamiento
- Agrupamiento basado en centroides: k-medias, k-medoides, PAM, CLARA
- Agrupación jerárquica – Diana, Agnes
- Agrupación en clústeres basada en modelos - EM
- Mapas autoorganizados
- Evaluación y valoración de clústeres
- Reducción de dimensionalidad
- Análisis de componentes principales y análisis factorial
- Descomposición de valores singulares
- Escalado multidimensional
- Ejemplos en Python
- Agrupamiento
- Minería de textos
- Preprocesamiento de datos
- El modelo de la bolsa de palabras
- Talla y lemización
- Análisis de las frecuencias de palabras
- Análisis de sentimientos
- Creación de nubes de palabras
- Ejemplos en Python
- Motores de recomendaciones y filtrado colaborativo
- Datos de recomendación
- Filtrado colaborativo basado en el usuario
- Filtrado colaborativo basado en elementos
- Ejemplos en Python
- Minería de patrones de asociación
- Algoritmo de conjuntos de elementos frecuentes
- Análisis de la cesta de la compra
- Ejemplos en Python
- Análisis de valores atípicos
- Análisis de valores extremos
- Detección de valores atípicos basada en la distancia
- Métodos basados en la densidad
- Detección de valores atípicos de alta dimensión
- Ejemplos en Python
- Machine Learning Estudio de caso
- Business Comprensión del problema
- Preprocesamiento de datos
- Selección y ajuste de algoritmos
- Evaluación de los resultados
- Despliegue
Requerimientos
Conocimiento y conciencia de Machine Learning fundamentos
21 Horas
Testimonios (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Curso - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
