Especialista BD Analitycs. Machine Learning. - Telepresencial

Temario

Formación Técnica

Entorno de Python y herramientas.

Instalación y configuración de Python.

• Instalación de Python con el entorno Anaconda y PyCharm Community.
• Explicación de los “Enviroments” de Python para personalizar instalaciones.
• Concepto de módulos e instalación de nuevos módulos usando la consola de comandos.
• Primeros conceptos de programación con Python usando consolas: Qt Console y Powershell Prompt.

Herramientas de desarrollo.

• Uso de los entornos de desarrollo Spyder y PyCharm para crear programas de Python.
• Fundamentos de programación: uso de variables y funciones.

Programación estructurada con Python.

• Reglas de diseño del código.
• Uso de bucles.
• Uso de if-elif-else.

Estructuras de datos en Python.

• Uso de tuplas, listas y diccionarios.
• Sintaxis de manipulación de colecciones de datos.

Herramientas de computación de datos.

Uso de Jupyter Notebook y JupyterLab.

• Creación de documentos con Jupyter Notebook.
• Introducción a la generación de gráficos usando Pandas y Numpy.

Uso de RStudio.

• Introducción a la computación estadística y generación de gráficos con la herramienta RStudio.

Uso de Glueviz.

• Introducción a la visualización de datos multidimensionales.
• Exploración de relaciones entre conjuntos de datos.

Uso de Orange.

• Introducción a la minería de datos con la herramienta Orange.
• Visualización y análisis de datos.

Bases de datos y automatización.

Uso de bases de datos relacionales.

• Introducción al uso de base de datos relacionales con SQLite3.
• Creación de tablas relacionales.
• Operaciones DML: insert, update y delete.
• Operaciones de consulta.

Uso de bases de datos no relacionales.

• Instalación de MongoDB.
• Creación y operaciones con documentos.

Uso de bases de datos no relacionales.

• Instalación y configuración de Git.
• Ejemplos de control de versiones al crear aplicaciones con PyCharm.

Formación Específica

Estadística

• Estadística descriptiva multivariante y funciones de densidad y distribución. Correlación estadística y estudio de las funciones más conocidas.

• Estadística inferencial y estadística bayesiana. Test de hipótesis, teorema de Bayes y diferencia entre el pensamiento frecuentista y bayesiano.

Fundamentos de machine learning

Conceptos de sobreajueste, predicción, clustering, aprendizaje por refuerzo, modelos de supervivencia.

Importación y limpieza de datos

Programación en Python, R y otros lenguajes para la preparación de los datos para los algoritmos.

Primeros algoritmos y series temporales univarianteANOVA, ANCOVA, ARIMA, etc. Orientado a la creación de conocimiento partiendo de muestras y calidad en la predicción de series temporales.Técnicas de reducción de variables

Componentes principales, análisis factorial, análisis de correspondencias, etc.

Clustering

Búsqueda e interpretación de segmentos: Kmeans, Jerarquizado y DBScan.

Reglas de asociación

Análisis de la cesta de la compra en formato tickets y tabular.

Fundamentos de aprendizaje supervisado y preprocesamiento

Subconjuntos de entrenamiento, validación y test. Métodos de comparación de resultados: ROC, Lift, Matriz de confusión, etc.

Técnicas de exploración de datos

Power-BI. Exploración interactiva. Comunicación de conclusiones y mensajes mediante gráficos.

Árboles de decisión

Algoritmos de división horizontal. Árboles normales y condicionales.

Naive Bayes y KNN

Algoritmos sencillos. Búsqueda de probabilidades y búsqueda de vecinos más próximos.

Máquinas de soporte vectorial

Generalización del concepto de divisiones. Kernel. Uso de búsquedas mediante grid para optimizar resultados.

Algoritmos ensamblados: Bagging, Boosting y Ramdom Forest

• Concepto de ensamblado.
• Ensamblado libre y bagging.
• Random Forest. Primeros usos avanzados de los árboles de decisión para determinar la importancia de las variables.
• Adaboosting. Ensamblaje boosting.
• Xgboosting. Ensamblaje boosting. Algoritmo ganador de los principales concursos.

Regresión

• Regresión no logística. Concepto de relación funcional entre objetivos y predictores. Influencia de observaciones, interpretación de coeficientes y métodos forward, backward y stepwise.
• Regresión logística. Modelo lineal general. Aplicación a las decisiones de la regresión.
• Fundamentos de redes neuronales de una sola capa. Generalización de la regresión logística. Primeros conceptos de redes. Conceptos de Black-box.

Deep Learning

• Fundamentos de Deep Learning. Conceptos de optimización, regularización, perceptrón en varias capas. Tensorflow y Keras.
• Deep Learning aplicado. Ejemplos de Keras aplicados a la predicción del análisis del sentimiento.
• Tratamiento del sobreajuste en Deep Learning. Ejemplos de Keras aplicados a la predicción de una clase o de varias clases, así como a predicciones numéricas.
• Redes convolucionales para imágenes. Modelos avanzados para la clasificación de imágenes.
• Deep Learning para Textos. Modelos avanzados para el procesamiento del lenguaje natural.
• Conclusiones Deep Learning y redes Kohonen. Modelos avanzados para el uso de grafos. Redes neuronales no supervisadas.

Análisis discriminante y Procesamientos de lenguaje natural

• Algoritmo lda (clasificación temática) e introducción a la minería de textos.
• Minería de textos. Profundización de la minería de textos.
• Interpretación de modelos. Profundización de la minería de textos.

Algoritmos complementarios

Uso del entorno H2O Aquarium de utilización de la inteligencia artificial para la optimización de algoritmos.

Proyecto & certificación

Al finalizar las clases de la formación específica realizarás, con la supervisión de tu tutor, varios proyectos de implantación sobre los conocimientos adquiridos.