Modelización Machine Learning

1.160

25 horas / 31 de agosto al 04 de septiembre de 2020, de 16:00 a 21:00 / L a V / Streaming

Conoce las metodologías que te permitan desarrollar un conocimiento avanzado en las principales técnicas de Modelización en Machine Learning

INTRODUCCIÓN A MODELIZACIÓN PARA:

– PREDICCIÓN
– CLASIFICACIÓN
– DETECCIÓN DE ANOMALÍAS

Descripción

MODELIZACIÓN EN PYTHON (fundamentada en Scikit-Learn):
Regresión,  Modelo Base, Múltiples algoritmos, Optimización de Hiperparámetros, Clasificación, Modelo Base, Múltiples algoritmos, Optimización de Hiperparametros, Reducción Dimensional, Modelo Base, SPE, Hotelling T2

 

Objetivos: Aprender a utilizar las principales librerías y sus correspondientes algoritmos para programar modelos supervisados de Predicción y Clasificación, así como, modelos de Reducción Dimensional (no-supervisados).

  • Desarrollo conceptual para cada tipo de modelización (supervisada y no-supervisada)
  • Programación en Python.
  • Desarrollo de casos reales; Predicción, Clasificación y Reducción Dimensional, respectivamente.

Dirigido a: Profesionales interdisciplinares que quieran avanzar en sus profesiones mediante la incorporación de técnicas de Machine Learning a sus competencias profesionales

  • Responsables de departamentos.
  • Responsables de Transformación Digital
  • Técnicos cualificados.

OBJETIVO Y LOGROS

(i) La fase introductoria permitirá al alumno comprender, de forma visual e intuitiva, la base estadística en la que se sustentan los modelos de predicción, clasificación y detección de anomalías, respectivamente.

(ii) En la modelización de regresión y clasificación, partiremos de sendos modelos base para posteriormente replicarlos con múltiples librerías, al objeto de determinar cuál de ellas aporta la mejor solución y, posteriormente, se procederá a la optimización de los hiperparámetros. De este modo el alumno comprenderá los fundamentos del modelo y le permitirá evaluar la calidad de los mismos, para encontrar la mejor solución que cumpla con el objetivo planteado.

(iii) En la reducción dimensional, a través del modelo base, se determinarán los respecticos SPE y Hotelling T2 al objeto de que el alumno comprenda cuando se produce una anomalía y el efecto que produce, lo que le permitirá entender el proceso a seguir para la toma de acciones preventivas y, por ende, de tipo prescriptivo, si se considera oportuno.

Contenido: tecnologías aplicadas.

Teórico

  • Desarrollo de conceptos teóricos con Orange Canvas

Práctico

  • Programación de los modelos de Machine Learning con Python
  • Interpretación de los resultados obtenidos mediante librerías de visualización

Solicitar más información sobre Modelización Machine Learning

He leído y acepto la política de privacidad