Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa del Curso
Introducción
- Diferencia entre aprendizaje estadístico (análisis estadístico) y aprendizaje automático
- Adopción de la tecnología de aprendizaje automático por parte de las empresas financieras y bancarias
Diferentes tipos de Machine Learning
- Aprendizaje supervisado frente a aprendizaje no supervisado
- Iteración y evaluación
- Equilibrio entre sesgo y varianza
- Combinación de aprendizaje supervisado y no supervisado (aprendizaje semisupervisado)
Machine Learning Lenguajes y conjuntos de herramientas
- Código abierto frente a sistemas y software propietarios
- R vs Python vs Matlab
- Bibliotecas y frameworks
Machine Learning Estudios de caso
- Datos de consumidores y big data
- Evaluación del riesgo en los préstamos al consumo y a las empresas
- Mejorar el servicio al cliente a través del análisis de sentimientos
- Detección de fraude de identidad, fraude de facturación y blanqueo de capitales
Introducción a R
- Instalación del IDE de RStudio
- Carga de paquetes de R
- Estructuras de datos
- Vectores
- Factores
- Listas
- Marcos de datos
- Matrixes y matrices
Cómo cargar Machine Learning datos
- Bases de datos, almacenes de datos y transmisión de datos
- Almacenamiento y procesamiento distribuidos con Hadoop y Spark
- Importación de datos desde una base de datos
- Importación de datos desde Excel y CSV
Modelando Business Decisiones con Aprendizaje Supervisado
- Clasificación de los datos (classification)
- Uso del análisis de regresión para predecir el resultado
- Elegir entre los algoritmos de aprendizaje automático disponibles
- Comprensión de los algoritmos de árbol de decisión
- Descripción de los algoritmos de bosque aleatorio
- Evaluación del modelo
- Ejercicio
Análisis de regresión
- Regresión lineal
- Generalizaciones y no linealidad
- Ejercicio
Clasificación
- Repaso bayesiano
- Bayes ingenuo
- Regresión logística
- K-Vecinos más cercanos
- Ejercicio
Práctico: Creación de un modelo de estimación
- Evaluar el riesgo crediticio en función del tipo y el historial del cliente
Evaluación del rendimiento de Machine Learning algoritmos
- Validación cruzada y remuestreo
- Bootstrap Agregación (embolsado)
- Ejercicio
Modelado Business de decisiones con aprendizaje no supervisado
- Cuando los conjuntos de datos de muestra no están disponibles
- Agrupación en clústeres de K-means
- Desafíos del aprendizaje no supervisado
- Más allá de K-means
- Redes Bayes y Modelos Ocultos de Markov
- Ejercicio
Práctico: Creación de un sistema de recomendación
- Analizar el comportamiento de los clientes en el pasado para mejorar las nuevas ofertas de servicios
Ampliando las capacidades de su empresa
- Desarrollo de modelos en la nube
- Aceleración del aprendizaje automático con GPUs adicionales
- Aplicación de redes neuronales de aprendizaje profundo para visión artificial, reconocimiento de voz y análisis de texto
Palabras finales
Requerimientos
- Programming Experiencia con cualquier idioma
- Familiaridad básica con la estadística y el álgebra lineal
28 horas