Programa del Curso

Introducción

  • Diferencia entre aprendizaje estadístico (análisis estadístico) y aprendizaje automático
  • Adopción de la tecnología de aprendizaje automático por parte de las empresas financieras y bancarias

Diferentes tipos de Machine Learning

  • Aprendizaje supervisado frente a aprendizaje no supervisado
  • Iteración y evaluación
  • Equilibrio entre sesgo y varianza
  • Combinación de aprendizaje supervisado y no supervisado (aprendizaje semisupervisado)

Machine Learning Lenguajes y conjuntos de herramientas

  • Código abierto frente a sistemas y software propietarios
  • R vs Python vs Matlab
  • Bibliotecas y frameworks

Machine Learning Estudios de caso

  • Datos de consumidores y big data
  • Evaluación del riesgo en los préstamos al consumo y a las empresas
  • Mejorar el servicio al cliente a través del análisis de sentimientos
  • Detección de fraude de identidad, fraude de facturación y blanqueo de capitales

Introducción a R

  • Instalación del IDE de RStudio
  • Carga de paquetes de R
  • Estructuras de datos
  • Vectores
  • Factores
  • Listas
  • Marcos de datos
  • Matrixes y matrices

Cómo cargar Machine Learning datos

  • Bases de datos, almacenes de datos y transmisión de datos
  • Almacenamiento y procesamiento distribuidos con Hadoop y Spark
  • Importación de datos desde una base de datos
  • Importación de datos desde Excel y CSV

Modelando Business Decisiones con Aprendizaje Supervisado

  • Clasificación de los datos (classification)
  • Uso del análisis de regresión para predecir el resultado
  • Elegir entre los algoritmos de aprendizaje automático disponibles
  • Comprensión de los algoritmos de árbol de decisión
  • Descripción de los algoritmos de bosque aleatorio
  • Evaluación del modelo
  • Ejercicio

Análisis de regresión

  • Regresión lineal
  • Generalizaciones y no linealidad
  • Ejercicio

Clasificación

  • Repaso bayesiano
  • Bayes ingenuo
  • Regresión logística
  • K-Vecinos más cercanos
  • Ejercicio

Práctico: Creación de un modelo de estimación

  • Evaluar el riesgo crediticio en función del tipo y el historial del cliente

Evaluación del rendimiento de Machine Learning algoritmos

  • Validación cruzada y remuestreo
  • Bootstrap Agregación (embolsado)
  • Ejercicio

Modelado Business de decisiones con aprendizaje no supervisado

  • Cuando los conjuntos de datos de muestra no están disponibles
  • Agrupación en clústeres de K-means
  • Desafíos del aprendizaje no supervisado
  • Más allá de K-means
  • Redes Bayes y Modelos Ocultos de Markov
  • Ejercicio

Práctico: Creación de un sistema de recomendación

  • Analizar el comportamiento de los clientes en el pasado para mejorar las nuevas ofertas de servicios

Ampliando las capacidades de su empresa

  • Desarrollo de modelos en la nube
  • Aceleración del aprendizaje automático con GPUs adicionales
  • Aplicación de redes neuronales de aprendizaje profundo para visión artificial, reconocimiento de voz y análisis de texto

Palabras finales

Requerimientos

  • Programming Experiencia con cualquier idioma
  • Familiaridad básica con la estadística y el álgebra lineal
  28 horas
 

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Categorías Relacionadas