MACHINE LEARNING CON R (Subvencionado)

 DURACION:

30 Horas 

Fechas: 15, 17, 19, 22, 24 y 26 de noviembre de 9 a 14 horas

PROGRAMA 

Outliers:

· Definición.

· Problemas de su no tratamiento.

· Detección de outliers:

o Gráficamente.

o Extracción de los outliers.

o Determinación de las observaciones que incluyen outliers.

o Extracción de los valores de los outliers.

· Tratamiento de los outliers:

o Eliminación de las observaciones.

o Transformación en NAs.

o Creación de nuevas variables dummy de forma masiva.

o Tratamiento individualizado.

Valores perdidos:

· Cuantificación de los valores perdidos:

o Total.

o Por variables.

o Por observaciones.

· Análisis gráfico de los valores perdidos.

· Eliminación de los valores perdidos variable por variables.

· Eliminación masiva de los valores perdidos.

· Eliminación de variables con alto porcentaje de valores perdidos.

· Imputación por valores estadísticos (media, moda, mediana)

· Métodos de imputación múltiple.

· Creación de modelos para la imputación.

Estadísticos básicos: Cálculo e interpretación de la:

· Media.

· Mediana.

· Moda

· Varianza.

· Covarianza.

· Correlación.

Regresión como base de la modelización:

· Regresión lineal simple.

· Regresión lineal general.

· Regresión polinómica.

· Regresión logística.

· Error Cuadrático Medio y Error Absoluto.

· Estimación de la recta de regresión.

· Análisis de la significatividad global del modelo.

· Análisis de la significatividad individual de las variables.

· Cálculo del Coeficiente de Determinación.

· Dummy Variables.

Machine Learning

1. Definición.

2. Mapa conceptual.

3. Modelos supervisados:

1. Clasificación:

2. Regresión logística.

3. KNN.

4. Naive Bayes.

5. Árbol de clasificación.

6. C5.0

7. Random Forest.

8. XGBoost.

9.

2. Regresión:

1. Regresión.

2. Árbol de regresión.

3. Random Forest.

4. XGBoost.

d. Modelos no supervisados:

1. Clusterización

2. Reglas de asociación.

4. Series temporales univariantes.