MACHINE LEARNING Y ANÁLISIS PREDICTIVO PARA LA EMPRESA 4.0 (Subvencionado)

 DURACION:

30 Horas 

Fechas: 10 al 17 de mayo de 9 a 14 horas

PROGRAMA 

Outliers: 

• Definición. 
• Problemas de su no tratamiento. 
• Detección de outliers: 

• Gráficamente. 
• Extracción de los outliers. 
• Determinación de las observaciones que incluyen outliers. 
• Extracción de los valores de los outliers. 

• Tratamiento de los outliers: 

• Eliminación de las observaciones. 
• Transformación en NAs. 
• Creación de nuevas variables dummy de forma masiva. 
• Tratamiento individualizado. 

Valores perdidos: 

• Cuantificación de los valores perdidos: 

• Total. 
• Por variables. 
• 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

• Definición. 

• Mapa conceptual. 

• Modelos supervisados: 

• Clasificación: 

• Regresión logística. 

• KNN. 

• Naive Bayes. 

• Árbol de clasificación. 

• C5.0 

• Random Forest. 

• XGBoost. 

• Regresión: 

• Regresión. 

• Árbol de regresión.