MACHINE LEARNING CON Y ANÁLISIS PREDICTIVO PARA LA EMPRESA 4.0- Lenguaje R Avanzado (Subvencionado)

¡Sigue leyendo, te contamos más acerca de esta formación!

INFORMACIÓN CLAVE

• Duración: 30 horas
• Fechas: Del 18 de septiembre al 4 de octubre (15:00 – 20:00)
• Modalidad: Aulas C2B Bilbao

ITINERARIO

1.- Outliers:
A) Definición.
B) Problemas de su no tratamiento.
C) Detección de outliers:
• Gráficamente.
• Extracción de los outliers.
• Determinación de las observaciones que incluyen outliers.
• Extracción de los valores de los outliers.
D) Tratamiento de los outliers:
• Eliminación de las observaciones.
• Transformación en NAs.
• Creación de nuevas variables dummy de forma masiva.
• Tratamiento individualizado.

2.- Valores perdidos:
A) Cuantificación de los valores perdidos:
• Total.
• Por variables.
• Por observaciones.
B) Análisis gráfico de los valores perdidos.
C) Eliminación de los valores perdidos variable por variables.
D) Eliminación masiva de los valores perdidos.
E) Eliminación de variables con alto porcentaje de valores perdidos.
F) Imputación por valores estadísticos (media, moda, mediana)
G) Métodos de imputación múltiple.
H) Creación de modelos para la imputación.

3.- Estadísticos básicos: Cálculo e interpretación de la:
A) Media.
B) Mediana.
C) Moda
D) Varianza.
E) Covarianza.
F) orrelación.

4.- Regresión como base de la modelización:
A) Regresión lineal simple.
B) Regresión lineal general.
C) Regresión polinómica.
D) Regresión logística.
E) Error Cuadrático Medio y Error Absoluto.
F) Estimación de la recta de regresión.
G) Análisis de la significatividad global del modelo.
H) Análisis de la significatividad individual de las variables.
I) Cálculo del Coeficiente de Determinación.
J) Dummy Variables.

5.- Machine Learning
A) Definición.
B) Mapa conceptual.
C) Modelos supervisados
D) Clasificación:
E) Regresión logística.
F) KNN.
G) Naive Bayes.
H) Árbol de clasificación.
I) C5.0
J)  Random Forest.
K) XGBoost.
L) Regresión:
• Regresión.
• Árbol de regresión.
• Random Forest.
• XGBoost.
M) Modelos no supervisados:
• Clusterización
• Reglas de asociación.
L) Series temporales univariantes.

EQUIPO FORMADOR

Nuestro equipo formador es uno de nuestros principales activos, gracias a su experiencia y conocimiento en diferentes áreas temáticas, proporcionamos una formación de calidad y enfocada en las necesidades de nuestros alumnos/as.

¡Te invitamos a formar parte de nuestro campus y desarrollar tus habilidades junto a nosotros!