Máster online
Duración : 10 Meses
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
Con este Máster adquirirás un conocimiento práctico profundo del Machine Learning con R Software, y estarás capacitado para: Progresar en tu operativa con los datos. Diseñar proyectos ágiles de Machine Learning, eficaces e impactantes. Obtener información y respuestas de forma rápida y automatizada. Aplicar soluciones que evolucionan por sí mismas. Tomar decisiones inteligentes, confiables e informadas basadas en la experiencia de los datos.
A quién va dirigido
Profesionales del análisis de datos interesados en adquirir conocimientos avanzados sobre Machine Learning con aplicación directa a su realidad profesional. Un máster orientado a graduados, licenciados, PhD, doctorados universitarios, docentes e investigadores.
Requisitos
Para realizar la reserva de matrícula y obtener el título: Alumnos españoles: título universitario. Alumnos Unión Europea: título universitario. Alumnos extranjeros pertenecientes al convenio de la Haya: Título universitario apostillado. Alumnos extranjeros no pertenecientes al convenio de la Haya: título universitario debidamente compulsado por organismo oficial competente o por notario. En caso en que el título no esté en castellano deberá ir acompañado de una traducción jurada. Alumnos de habla no hispana: deberán acreditar su nivel de español por medio de un certificado oficial.
Temario completo de este curso
MÓDULO I
UNIDAD 1. INTRODUCCIÓN AL MACHINE LEARNING
• ¿Cuál es el desafío que aborda el Machine Learning?
• ¿Qué es y qué no es el Machine Learning?
• Proceso de trabajo en Machine Learning.
• ¿Cómo trabaja el Machine Learning? Aprendizaje supervisado, no supervisado y profundo.
UNIDAD 2. PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE
• R y RStudio. Sintaxis básica y ayuda.
• Investigación reproducible con RMarkdown.
• Estructura de datos. Vectores, matrices, listas, y data frames.
UNIDAD 3. OBTENCIÓN, PREPROCESADO Y VISUALIZACIÓN DE DATOS
• Importar y exportar bases de datos.
• Introducción al mundo tidyverse.
• Manipular datos con dplyr.
• Transformar datos con tidyr.
MÓDULO II.
UNIDAD 4. CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
• Correlación simple y parcial.
• Regresión lineal simple.
• Regresión lineal múltiple.
• Regresión logística.
UNIDAD 5. ÁRBOLES DE DECISIÓN, MODELOS DE BAGGING Y RANDOM FOREST
• Crear árboles de decisión individuales.
• Modelos de ensemble con árboles de decisión.
• Modelos de Bagging y de Random Forest.
• Clasificación vs. Regresión.
UNIDAD 6. CLASIFICACIÓN POR K-VECINOS (kNN) Y MÁQUINA DE VECTORES DE SOPORTE (SVM)
• ¿Qué son y cómo funcionan? Ventajas y desventajas de cada uno.
• Presentación del algoritmo k-Nearest Neighbor (kNN).
• Distancia y similitud.
• Selección del factor k.
MÓDULO III.
UNIDAD 7. ANÁLISIS CLUSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)
• ¿Qué son y cómo funcionan? ¿cómo interpretar los resultados?
• Agrupación jerárquica y no jerárquica (por k-medias).
• Medidas de distancia y métodos de agrupación.
• Visualiza e interpreta con el Dendrograma.
UNIDAD 8. ANÁLISIS DE SERIES TEMPORALES: MODELOS ARIMA Y SARIMA
• Análisis exploratorio de series temporales.
• Identificar datos atípicos (outliers) y faltantes (missing).
• Identificar puntos de cambio en las series.
• Clúster jerárquico con series temporales.
UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN
• Conceptos básicos de aprendizaje profundo y redes neuronales.
• Optimización y validación de la red neuronal.
• Construcción de redes neuronales simples.
• Predicción.