Machine Learning para Investigación con WEKA. De 0 a Experto.
Date:
Acceda a un cupón de descuento aquí
Descripción
Machine Learning para Investigación con WEKA. De 0 a Experto.
Conoce las técnicas más potente y necesarias que un investigador debe tener en su fase de de desarrollo. Weka Workbench
Calificación: ⭐⭐⭐⭐⭐
Descripción del Curso:
Entre los diferentes software que existen de machine learning automatizado, destaca, sobre todos los demás, Weka Workbench, que es un software libre y gratuito. Este potente software nos ofrece un amplio espectro de opciones para utilizar machine learning sobre cualquier conjunto de datos que tengamos, ya sea de nuestros experimentos u obtenidos de diferentes bancos de datos libres, de manera muy sencilla, sin tener grandes conocimientos sobre el modelo matemático de un algoritmo y, lo más interesante, sin conocimientos de programación.
Son nueve unidades temáticas, en las que contará con vídeos, actividades, temario, foros que le ayudarán a realizar el curso de manera eficiente y entretenida.
Este curso se enfoca en un subcampo específico de la minería de datos llamado modelado predictivo (aprendizaje supervisado) y clústering (Aprendizaje No Supervisado). Este es el campo de la minería de datos que es el más útil en la industria e investigación siendo estas técnicas las más potente y necesarias que un investigador debe tener en su fase de de desarrollo.
A diferencia de las diferentes formas de estadística, donde los modelos se utilizan para comprender los datos, el modelado predictivo se centra en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar el por qué se hacen las predicciones. A diferencia del campo más amplio de minería de datos que podría usarse con datos en cualquier formato, el modelado predictivo (aprendizaje supervisado)) y clústering (Aprendizaje No Supervisado) se enfoca principalmente en datos tabulares (por ejemplo, tablas de números como una hoja de cálculo).
En este contexto, el curso pretende otorgar a los estudiantes los conceptos básicos e intermedios relacionados al análisis y tratamiento de datos pero llevando este proceso más allá pudiendo aplicar algoritmos basados en aprendizaje, es decir, Machine Learning. Para ello, el curso hará uso de un sistema muy utilizado en cualquier ámbito y línea de investigación como es Weka. Weka es una plataforma de muy sencillo uso que nos permite utilizar todos los conceptos de Minería de datos sin tener que saber programar, es decir, es una plataforma específicamente desarrollara para cualquier investigador que requiera de estas técnicas pero que no tiene un base previa computacional.
Contenidos del Curso:
- Unidad 1: Introducción
- Conceptos básicos de machine learning.
- Weka Workbench como nuestro entorno de machine learning.
- Conclusiones.
- Unidad 2: Minería de datos en Weka
- Planeles en Weka.
- Conociendo nuestros datos en los paneles de Weka.
- Conclusiones.
- Unidad 3: Pre-análisis y pre-tratamiento de datos
- Clasificación de datos en machine learning.
- Conjunto de datos para machine learning.
- Pre-análisis de datos.
- Conclusiones.
- Unidad 4: Pre-procesamiento de datos para machine learning
- Normalización y estandarización de los datos.
- Transformar los datos de machine learning.
- Manejar valores perdidos en los datos de machine learning.
- Conclusiones.
- Unidad 5: Análisis de datos en machine learning
- Future Selection en machine learning.
- Uso de algoritmos de machine learning.
- Estimar el resultado de los algoritmos.
- Estimar una línea base de los resultados.
- Conclusiones.
- Unidad 6: Fase de modelado en machine learning
- Algoritmos de clasificación.
- Algoritmos de regresión.
- Algoritmos ensamblados.
- Conclusiones.
- Unidad 7: Fase de optimización en machine learning
- Comparar el rendimiento de los algoritmos.
- Optimización de los parámetros (hiperparámetros) de los algoritmos.
- Guardar nuestros modelos y hacer predicciones.
- Conclusiones.
- Unidad 8: Proyectos en machine learning
- Trabajar un proyecto de clasificación multiclase.
- Trabajar un proyecto de clasificación binario.
- Trabajar un proyecto de regresión.
- Conclusiones
- Unidad 9. Aprendizaje No Supervisado
- Aprendizaje No supervisado
- Algoritmos de Aprendizaje No Supervisado
- Determinar el número óptimo de clústers
- Proyecto de Aprendizaje No Supervisado