Temario del curso

Formación técnica

• Introducción

  Conceptos básicos, marco competitivo actual y tendencias futuras.

• Power BI

  Instalación, presentación del entorno, elaboración de aplicaciones básicas.

• Introducción a R

  Instalación de R y Rstudio. Presentación del entorno. Conceptos básicos de trabajo: importación de vistas y librerías.

• Tidyverse

  Presentación de la librería. Utilización de dplyr con ejemplos de programación.

• Ggplot2

  Introducción a la gramática de gráficos. Ejemplos de programación de las principales opciones. Presentación del material de consulta en Internet.

• Power BI con Ggplot2 sobre R

  Programación desde Power BI con Ggplot2 sobre R.

• Anaconda

  Instalación. Presentación del entorno y carga de librerías. Presentación de Jupyter bajo Python y R. Ejemplos básicos de exploración de datos con ggplot y pandas-profiling. Ejemplos básicos de Python. Ejercicios tutorizados.

• Knime

  Instalación. Presentación del entorno y carga de librerías. Tratamiento de flujo de datos. Ejemplos básicos de flujo. Ejercicios de programación tutorizados.

Formación específica

• Estadística

  Estadística descriptiva multivariante y funciones de densidad y distribución. Correlación estadística y estudio de las funciones más conocidas.

• Estadística inferencial y estadística bayesiana

  Test de hipótesis, teorema de Bayes y diferencia entre el pensamiento frecuentista y bayesiano.

• Fundamentos de machine learning

  Conceptos de sobreajueste, predicción, clustering, aprendizaje por refuerzo, modelos de supervivencia, programación en Python, R y otros lenguajes para la preparación de los datos para los algoritmos.

• Primeros algoritmos y series temporales univariante

  ANOVA, ANCOVA, ARIMA, etc. Orientado a la creación de conocimiento partiendo de muestras y calidad en la predicción de series temporales.

• Técnicas de reducción de variables

  Componentes principales, análisis factorial, análisis de correspondencias, etc.

• Clustering

  Búsqueda e interpretación de segmentos: Kmeans, Jerarquizado y DBScan.

• Reglas de asociación

  Análisis de la cesta de la compra en formato tickets y tabular.

• Aprendizaje supervisado y preprocesamiento

  Subconjuntos de entrenamiento, validación y test. Métodos de comparación de resultados: ROC, Lift, Matriz de confusión, etc.

• Exploración de datos

  Power-BI. Exploración interactiva. Comunicación de conclusiones y mensajes mediante gráficos.

• Árboles de decisión

  Algoritmos de división horizontal. Árboles normales y condicionales.

• Naive Bayes y KNN

  Algoritmos sencillos. Búsqueda de probabilidades y búsqueda de vecinos más próximos.

• Máquinas de soporte vectorial

  Generalización del concepto de divisiones. Kernel. Uso de búsquedas mediantes grid para optimizar resultados.

• Algoritmos ensamblados

  Concepto de ensamblado. Ensamblado libre y bagging.

• Random Forest

  Primeros usos avanzados de los árboles de decisión para determinar la importancia de las variables.

• Adaboosting

  Ensamblaje boosting.

• Xgboosting

  Ensamblaje boosting. Algoritmo ganador de los principales concursos.

• Regresión no logística

  Concepto de relación funcional entre objetivos y predictores. Influencia de observaciones, interpretación de coeficientes y métodos forward, backward y stepwise.

• Regresión logística

  Modelo lineal general. Aplicación a las decisiones de la regresión.

• Redes neuronales

  Generalización de la regresión logística. Primeros conceptos de redes. Conceptos de Black-box.

• Fundamentos de deep Learning

  Conceptos de optimización, regularización, perceptrón en varias capas. Tensorflow y Keras.

• Deep learning aplicado

  Ejemplos de Keras aplicados a la predicción del análisis del sentimiento.

• Sobreajuste en deep learning

  Ejemplos de Keras aplicados a la predicción de una clase o de varias clases, así como a predicciones numéricas.

• Redes convolucionales para imágenes

  Modelos avanzados para la clasificación de imágenes.

• Deep learning para textos

  Modelos avanzados para el procesamiento del lenguaje natural.

• Conclusiones deep learning

  Modelos avanzados para el uso de grafos. Redes neuronales no supervisadas.

• Procesamiento de lenguaje natural

  Algoritmo LDA (clasificación temática) e introducción a la minería de textos.

• Minería de textos

  Profundización de la minería de textos.

• Interpretación de modelos

  Profundización de la minería de textos.

• Algoritmos complementarios

  Uso del entorno H2O Aquarium de utilización de la inteligencia artificial para la optimización de algoritmos.

• Técnicas de presentación

  Resolución de casos propuestos o por el profesor o por los alumnos. Técnicas de presentación a clientes.

• Creación de modelos de Machine Learning

  El aprendizaje automático es la base de la inteligencia artificial y el modelado de predicción. Obtenga información sobre los principios fundamentales del aprendizaje automático y sobre cómo usar herramientas y marcos comunes para entrenar, evaluar y usar modelos de Machine Learning.

• Exploración y análisis de datos con Python

  Introducción. Entrenamiento y evaluación de modelos de regresión. Entrenamiento y evaluación de modelos de clasificación. Entrenamiento y evaluación de modelos de agrupación en clústeres. Entrenamiento y evaluación de modelos de aprendizaje profundo.

• Modelos predictivos sin código Azure Machine Learning

  El aprendizaje automático es fundamental para la inteligencia artificial, y muchas aplicaciones y servicios modernos dependen de modelos predictivos de aprendizaje automático. Aprenda a usar Azure Machine Learning para crear y publicar modelos sin necesidad de escribir código.

• Aprendizaje automático

  Creación de un área de trabajo de Azure Machine Learning. Creación de recursos de proceso. Exploración de datos. Entrenar un modelo de Machine Learning. Implementación de un modelo como servicio.

• Compilación de soluciones de IA con Azure Machine Learning

  Azure Machine Learning es una plataforma en la nube diseñada para entrenar, implementar, administrar y supervisar modelos de aprendizaje automático. Obtenga información sobre cómo usar el SDK de Python para Azure Machine Learning a fin de crear soluciones de IA para empresas.

• SDK de Azure Machine Learning

  Áreas de trabajo de Azure Machine Learning. Ejercicio: creación de un área de trabajo. Herramientas e interfaces de Azure Machine Learning. Experimentos de Azure Machine Learning.

• Modelo de Machine Learning con Azure Machine Learning

  Uso de datos en Azure Machine Learning. Uso de Compute en Azure Machine Learning. Orquestación del aprendizaje automático con canalizaciones. Implementación de servicios de aprendizaje automático en tiempo real con Azure Machine Learning.

Seminario de certificación

Seminario de certificación para prepararte para el examen oficial de Microsoft Designing and Implementing a Data Science Solution on Azure (DP-100).

Profesional Online es un centro oficial homologado por Pearson VUE, la entidad certificadora que imparte los exámenes de certificación de Microsoft.

Podrás conseguir tu certificación oficial en nuestras instalaciones en Barcelona.