Seleccionar página

Especialista BD Analitycs. Machine Learning

El Machine Learning es una de las ramas de la inteligencia artificial, la idea es desarrollar algoritmos que sean capaces de aprender del análisis de datos y detectar patrones, permitiéndoles anticiparse o incluso actuar en consecuencia si están programados para ello. A pesar de que esto no es nuevo, pues ya se encuentra en muchas de las tecnologías que utilizamos hoy día, apenas se ha desarrollado un mínimo del potencial que habita en la inteligencia artificial.

SOLICITA MÁS INFORMACIÓN
 
SOLICITA MÁS INFORMACIÓN
Presencial aula –
Telepresencial –
Online
Recursos Prácticos
Seminario
certificación
oficial

Sobre el Curso Especialista BD Analitycs. Machine Learning

Se trata de un curso intensivo en donde trabajarás mucho, pero donde encontrarás la satisfacción de dominar una profesión con futuro en apenas unos meses.

En la parte de Machine Learning aprenderás a razonar como lo hace un científico de datos, viendo lo que significa cada aplicación de cada algoritmo, debatirás la idoneidad de las diferentes soluciones y verás cómo se pueden interpretar creando conocimiento y aportando valor a los diferentes problemas de los clientes. Todo ello programando en el entorno de Rstudio, Google Colab, Knime y H2O.

En la parte de Python aprenderás todos los conceptos de programación del lenguaje con mayor tasa de crecimiento en la actualidad. Podrás aplicarlo a Machine Learning, así como a Internet de las cosas, Blockchain, desarrollos de páginas web, etc.

MACHINE LEARNING. Analisis de Datos Predictivo.

El mecanismo por el que el Machine Learning hace el Análisis, es la detección de patrones en millones de datos. Esta es una primera diferencia importante respecto al BI tradicional, a la que podríamos añadir, a nuestro modo de entender, estos tres aspectos:

1. Frente al uso de datos agregados, el Machine Learning utiliza datos individuales con características definitorias de cada una de las instancias. De esta forma se pueden usar miles de variables para detectar los patrones.

2. En lugar de basarse en una analítica descriptiva, el Machine Learning ofrece una analítica predictiva. Es decir, no solo hace una valoración de lo que ha pasado y extrapola tendencias generales, sino que hace predicciones individualizadas en el que los detalles y matices definen los comportamientos del futuro.

3. Los paneles de visualizaciones o dashboards se sustituyen por aplicaciones predictivas. Estamos hablando de uno de los mayores potenciales del Machine Learning: los algoritmos predictivos aprenden automáticamente de los datos y sus modelos se pueden integrar en aplicaciones para dotarlas de capacidades predictivas. Los modelos se reentrenan periódicamente para que aprendan automáticamente de nuevos datos.

 Duración:

200 Horas / 3-5 meses

 Modalidad:

Presencial, Telepresencial y Online

 Requisitos Previos:

Conocimientos básicos de informática e internet

Para qué te prepara este curso

Con este curso práctico estarás preparado para ejercer una profesión como científico de datos, profesional con conocimientos empresariales, estadísticos y de programación, aportando soluciones diferentes a las que trabaja a través de los lenguajes de programación. También podrás evolucionar a programador de Python con unos fundamentos sólidos de estadística y de algoritmos predictivos.

Objetivo del curso

El aprendizaje automático o Machine Learning tiene por objetivo desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos y reconocer patrones a partir de una información suministrada en forma de ejemplo (entrenamiento).

 

Temario

Formación Técnica

Introducción

Introducción
Conceptos básicos, marco competitivo actual y tendencias futuras.

Power BI
Instalación, presentación del entorno, elaboración de aplicaciones básicas.

Introducción a R
Instalación de R y Rstudio. Presentación del entorno. Conceptos básicos de trabajo: importación de vistas y librerías.

Tidyverse
Presentación de la librería. Utilización de dplyr con ejemplos de programación.

Ggplot2
Introducción a la gramática de gráficos. Ejemplos de programación de las principales opciones. Presentación del material de consulta en Internet.

Power BI con Ggplot2 sobre R
Programación desde Power BI con Ggplot2 sobre R.

Anaconda
Instalación. Presentación del entorno y carga de librerías. Presentación de Jupyter bajo Python y R. Ejemplos básicos de exploración de datos con ggplot y pandas-profiling. Ejemplos básicos de Python. Ejercicios tutorizados.

Knime
Instalación. Presentación del entorno y carga de librerías. Tratamiento de flujo de datos. Ejemplos básicos de flujo. Ejercicios de programación tutorizados.

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 univariante
ANOVA, 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.

Certificación oficial

El alumno accede al registro oficial de técnicos  en una tecnología determinada, que lo homologa para ejercer su profesión a nivel internacional. Certificamos a nuestros alumnos en toda España y América Latina.

Salidas laborales

Los datos de la empleabilidad de Machine Learning son muy favorables. Ya en 2015 el pronóstico para ese año de la consultora Gartner era que se crearían 4.4 millones de empleos entorno al Big Data.

En 2020, un estudio realizado por Universia informa de que la profesión de experto en minería de datos y Big Data, es la tercera profesión con más empleabilidad, con un porcentaje de 89%. Es por eso, que la formación en Big data y IA es una de las mejores opciones para aquello profesionales que desean ampliar sus conocimientos y su perfil en busca del trabajo de sus sueños.

Las principales facultades de estadística NO dan en sus estudios de grado una formación exhaustiva de machine learning necesaria para optar a puestos de trabajo como data-scientist.

Nuestra oferta es un compromiso de preparación con los conocimientos necesarios para optar a puestos de trabajo en sólo 3-5 meses a través de una formación intensiva por un coste mucho menor que el de una universidad privada y en menos tiempo que los máster oficiales de las universidades públicas.

Formación bonificada para las empresas

Cloud Formación como entidad inscrita con el código 16753 en el Registro Estatal de Entidades de Formación, gestiona e imparte, dentro de la iniciativa de Formación Programada por las Empresas, formación profesional para el empleo, de acuerdo con lo establecido en la Ley 30/2015, de 9 de septiembre.

Cloud Formación, les ayuda de forma gratuita a consultar el importe del crédito de su empresa para este año.

Les recordamos a todas las empresas de menos de 50 personas, que pueden acumular el crédito no consumido de un año para el siguiente, siempre que se comunique expresamente dicha intención, a través de la plataforma de Fundae, antes del 30 de junio.

  Programas InTalent: Prácticas en empresa y Bolsa activa de empleo

 Cursos prácticos orientados a cultura de empresa

 Más de 30 años de experiencia nos avalan

 Tutorías online por vídeollamada

 Acceso a Laboratorio en Cloud

En CLOUD FORMACIÓN buscamos las mejores soluciones formativas para nuestros clientes, ya sean empresas o particulares, con el objetivo de ofrecer una experiencia formativa ágil y práctica.