Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado frente a no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- El flujo de trabajo de minería de datos: comprensión empresarial, preparación de datos, modelado y despliegue
- Elección del algoritmo adecuado para cada tarea
- Sobreajuste y la compensación entre sesgo y varianza
Visión general de Python y bibliotecas de aprendizaje automático
- Por qué usar lenguajes de programación para aprendizaje automático
- Elección entre R y Python
- Curso intensivo de Python y cuadernos Jupyter
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pruebas y evaluación de algoritmos de aprendizaje automático
- Generalización, sobreajuste y validación de modelos
- Estrategias de evaluación: conjunto de prueba, validación cruzada y bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión y clases desbalanceadas
- Visualización del rendimiento del modelo: curva de beneficio, curva ROC y curva de elevación
- Selección de modelos y búsqueda en cuadrícula para ajuste de parámetros
Preparación de datos
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y estadísticas resumidas
- Manejo de valores faltantes y valores atípicos
- Estandarización, normalización y transformación
- Recodificación de datos cualitativos y manipulación de datos con pandas
Algoritmos de clasificación
- Clasificación binaria frente a multiclase
- Regresión logística y funciones discriminantes
- Naïve Bayes, k-vecinos más cercanos
- Árboles de decisión: CART, Random Forests, Bagging, Boosting, XGBoost
- Máquinas de vectores de soporte y funciones de kernel
- Técnicas de aprendizaje por conjuntos
Regresión y predicción numérica
- Mínimos cuadrados y selección de variables
- Métodos de regularización: L1, L2
- Regresión polinómica y modelos no lineales
- Árboles de regresión y splines
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-means, k-medoides, agrupamiento jerárquico y SOMs
- Reducción de dimensionalidad: PCA, análisis factorial y SVD
- Escalamiento multidimensional
Minería de texto
- Preprocesamiento y tokenización de texto
- Bolsa de palabras, stemming y lematización
- Análisis de sentimiento y frecuencia de palabras
- Visualización de datos de texto con nubes de palabras
Sistemas de recomendación
- Filtrado colaborativo basado en usuarios y en elementos
- Diseño y evaluación de motores de recomendación
Minería de patrones de asociación
- Conjuntos de elementos frecuentes y algoritmo Apriori
- Análisis de canastas de mercado y ratio de elevación
Detección de valores atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensionalidad
Estudio de caso de aprendizaje automático
- Comprensión del problema empresarial
- Preprocesamiento de datos e ingeniería de características
- Selección de modelos y ajuste de parámetros
- Evaluación y presentación de hallazgos
- Despliegue
Resumen y próximos pasos
Requerimientos
- Conocimientos básicos de estadística y álgebra lineal
- Familiaridad con conceptos de análisis de datos o inteligencia empresarial
- Se recomienda tener alguna experiencia en programación (preferiblemente en Python o R)
- Interés en aprender sobre aprendizaje automático aplicado a proyectos basados en datos
Público objetivo
- Analistas y científicos de datos
- Estadísticos y profesionales de investigación
- Desarrolladores y profesionales de TI que exploran herramientas de aprendizaje automático
- Cualquier persona involucrada en proyectos de ciencia de datos o análisis predictivo
Testimonios (3)
A pesar de tener que faltar un día debido a reuniones con clientes, siento que tengo una comprensión mucho más clara de los procesos y técnicas utilizados en el Aprendizaje Automático y cuándo usaría un enfoque en lugar de otro. Nuestro desafío ahora es practicar lo que hemos aprendido y comenzar a aplicarlo a nuestro dominio de problemas.
Richard Blewett - Rock Solid Knowledge Ltd
Curso - Machine Learning – Data science
Traducción Automática
Me gustó que la formación se centrara en ejemplos y codificación. Pensé que era imposible incluir tanto contenido en tres días de formación, pero me equivoqué. La formación cubrió muchos temas y todo se realizó de manera muy detallada (especialmente el ajuste de los parámetros del modelo, no esperaba que hubiera tiempo para esto y quedé muy sorprendido).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
Muestra muchos métodos con scripts prepreparados, materiales muy bien preparados y fáciles de rastrear.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
