Minería de Datos y Aprendizaje Automático

INSCRIPCIONES ABIERTAS
Nivel: Intermedio
Cantidad de clases: 16
Duración: 8 semanas

Objetivos:

Apropiar los conceptos fundamentales, técnicas básicas, herramientas de software y aspectos metodológicos propios de la Minería de Datos.

Contenido:

  • Conceptos de Aprendizaje Automático.
  • Técnicas, algoritmos, metodología y software para la predicción a partir de evidencia digital.
  • Aspectos metodológicos propios de la Minería de Datos.

Metodología:

Clases sincrónicas teórico-prácticas, con ejercicios y con asistencia de herramientas específicas sobre máquinas.

Requisitos previos:

  • Los asistentes deben haber aprobado el curso de Análisis y visualización de datos o poseer un conocimiento equivalente.
  • Acceso a PC.

Herramientas:

Nucleos temáticos y programa:

Objetivos específicos: Introducción a la inducción y la predicción a partir de evidencia digital.

Clases 1-2: Predicción basada en evidencia digital. Ejercicio de inducción. Introducción a la Inteligencia Artificial y el Aprendizaje Automático. Introducción a Weka.

Clases 3-4: Inducción de árboles de decisión. Metodología básica para la inducción de modelos predictivos. Práctica de J48 en Weka. Técnicas de validación de modelos. Concepto de sobreajuste.

Clases 5-6: Introducción a las probabilidades Bayesianas. Modelos probabilísticos de predicción. Práctica de Validación de modelos. Práctica de Naive Bayes en Weka.

Clase 7-8: Métodos de predicción basados en semejanza. Concepto de distancia y semejanza. Práctica de IBK en Weka.

Objetivos específicos: Práctica de proyecto de Data Mining. Técnicas avanzadas.

Clase 9: Formulación de proyectos para desarrollo de modelos predictivos. Preparación de dataset. Presentación de TF.

Clase 10: Presentación de Orange.

Clase 11: Introducción al ensamble de modelos y metaalgoritmos. Desarrollo de experimentos.

Clase 12: Práctica de ensamble de modelos.

Clase 13: Predicción de variable continua. Métodos de regresión.

Clase 14: Práctica de modelos de regresión.

Clase 15: Introducción al Aprendizaje No Supervisado. Ejemplos de métodos de Clustering.

Clase 16: Presentación de TF por parte de los participantes.

Evaluación:

Asistencia al 80% de las clases sincrónicas.
Elaboración del 80% de los ejercicios entregados en clase.
Aprobación del trabajo final.

Con certificación universitaria.

Completá tus datos!

Completá tus datos!