Curso Especializado MACHINE LEARNING PARA CIENCIA DE DATOS

MÓDULO N° 1: EDA y tratamiento de datos

•  Análisis exploratorio de datos
• Tratamiento de datos, OneHotEncoder, TargerEncoder
• Tratamientos de valores atípicos.
• Imputación paramétrica (media, mediana, moda)
• Imputación no paramétrica para la imputación de valores perdidos
• División de los datos en funciones y etiquetas
• Conversión de los datos categóricos en números.
• Creación de Driver
• División de los datos en conjunto de entrenamiento y prueba
• Normalización de los datos
• Balanceo de data: SMOTE, OverSampling, UnderSampling.
• Selección de variables

MÓDULO N° 2: Aprendizaje supervisado para regresiones

• Regresión lineal
• KNN
• Árbol de decisión
• Suport Vector
• Ensemble methods
• AdaBoost, GBM, XGBoost
• Gridsearch de parámetros. RandomGridsearch.
• Optimización Bayesiana
• Aplicación de un modelo TensorFlow

MÓDULO N° 3: Aprendizaje supervisado para clasificación

• Regresión logística
• Naive Bayes
• Árbol de decisión
• KNN
• Support Vector
• AdaBoost, GBM, XGBoost
• Gridsearch de parámetros. RandomGridsearch.
• Optimización Bayesiana
• Aplicación para un modelo de TensorFlow

MÓDULO N° 4: Aprendizaje no supervisado

• Aprendizaje no supervisado

               · K-means Clutering

               · Análisis de Cesta de canasta de mercado.

               · Segmentación o puntuación RFM

• Reducción de dimensiones

               · PCA

               · LDA

MÓDULO N° 5: Series de Tiempo

• Introducción Serie de tiempo

               · Introducción series de tiempo

               · Entendiendo serie de tiempo

               · Método baso en suavizamiento exponencial