Sistema de recomendacion

PROCESO DE CIENCIA DE DATOS PARA LOS CASOS

Entendimiento del negocio

Entendimiento del problema
Objetivo del negocio

Entendimiento de los datos

Definición de la variable “target”
Elección y definición del horizonte temporal (ventana de análisis)
Criterios de inclusión y exclusión de información

Preparación de los datos

Exploración de variables (estadíticas, visualización)
Imputación de variables (missing)
Limpieza de variables (outliers, distribución de los datos)
Creación de nuevas variables (Feature Engineering)
Transformación de variables (Feature Engineering: labelenconder, onehotencoder)
Scaling de variables (min-maxscaler, robustscaler,etc)
Análisis variables vs target (visualización)
Correlación de variables
Selección de variables (técnicas paramétricas, técnicas de machine learning)

Modelado

Partición de los datos (train-test)
Balanceo de los datos (Oversampling, undersampling, smote, etc.)
Aplicación de algoritmos (regresión lineal, logística, regularizaciones, decision tree, randomforest, gbm, lightgbm, etc)
GridSearch de hiperparámetros (tuning de modelos)
Ensamble de modelos (voting, stacking, etc)
Validación cruzada

INSTRUCTOR

Especialista en Modelos Analíticos

Profesional en Ingeniería de Sistemas e Informática de la UNMSM que continuará ampliando sus conocimientos con el Máster en Inteligencia de Negocios y Big Data Analytics en la Universitat Oberta de Catalunya. Además, cuenta con capacitación y experiencia en marcos de trabajo ITIL, Agil como Scrum y Lean, herramientas on premise y cloud del ecosistemas big data, técnicas de análisis de datos como machine learning y deep learning, gestión de proyectos BI, data y analytics, data storytelling, entre otros que ayuden a potenciar una organización en base a sus datos. Actualmente labora como Analytic Leader en el Grupo

Palmas, empresa líder del sector agro industrial, buscando convertirla en una organización data-driven. Cuenta con más de 10 años de experiencia en empresas del rubro banca, seguros y retail, liderando proyectos retadores para potenciar la organización con el poder de los datos.

Entre las herramientas utilizadas para sacar adelante los diferentes proyectos de datos tenemos a Office, MS Project, Jira, Trello, Azure Devops, IBM DataStage, Teradata, Oracle, SQL, GCP, Azure, AWS, IBM Cloud, Datastudio, Tableau, Power BI, Qlik Sense, RStudio, Python, entre otros.

CURSO QUE TE PUEDEN INTERESAR

MACHINE LEARNING PARA CIENCIA DE DATOS

PROGRAMA CIENCIA DE DATOS CON PYTHON

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI

MACHINE LEARNING CON PYSPARK

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI

Taller Aplicado MODELO DE SISTEMA DE RECOMENDACIÓN

Nivel

Dirigido a

Dirigido a

Dirigido a

Dirigido a

Dirigido a

Inversión

Dirigido a

Inversión

Clases

Duración

Inversión

Duración

Duración

Duración

Brochure

Duración

Duración

PROCESO DE CIENCIA DE DATOS PARA LOS CASOS

Modelo de sistema de recomendación

INSTRUCTOR

Especialista en Modelos Analíticos

RECOMENDACIONES

INFORMES

CURSO QUE TE PUEDEN INTERESAR

MACHINE LEARNING PARA CIENCIA DE DATOS

MACHINE LEARNING PARA CIENCIA DE DATOS

MACHINE LEARNING PARA CIENCIA DE DATOS

PROGRAMA CIENCIA DE DATOS CON PYTHON

MACHINE LEARNING PARA CIENCIA DE DATOS

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI

MACHINE LEARNING CON PYSPARK

MACHINE LEARNING PARA CIENCIA DE DATOS

INTELIGENCIA DE NEGOCIOS CON POWER BI