Curso de Análisis de componentes principales (PCA) con R

Duración

6 semanas

Precio

390€

Inicio

15 de Mayo de 2021

Matrícula

Solicita información

Descripción del curso

Reduce la complejidad de tus datos con Data Mining.

Un curso práctico con el que aprenderás a detectar los patrones clave en tus conjuntos de datos e identifica qué variables contribuyen en mayor medida a su variabilidad.

Serás capaz de simplificar y representar de manera óptima un conjunto de múltiples variables numéricas, correlacionadas entre sí, mediante una técnica fundamental del Data Mining de reducción de la dimensión.

• Inicio: consulta el calendario de convocatorias
• Duración: 6 semanas
• Metodología: 100% on-line
• Enfoque práctico: Learn by doing
• Plazas: limitadas

Destinatarios

Este curso práctico está orientado a investigadores y profesionales del análisis de datos que desean descubrir patrones ocultos en grandes bases de datos. Se trata de técnicas comúnmente utilizadas en reconocimiento de imágenes, y muchos métodos de regresión utilizan los resultados del PCA para construir los modelos.

Competencias

Competencias avanzadas y aplicables a tu día a día profesional.

Al finalizar el curso serás capaz de:

• • Evaluar, modelar y visualizar gráficamente las relaciones entre múltiples variables para disminuir su complejidad (reducir su
    dimensión): para apoyar la toma de decisiones en tu organización o investigación.
  • Identificar las variables más importantes y ordenarlas.
    
  • Resumir la información de un gran conjunto de variables en nuevas variables no correlacionadas que capturen la mayor variabilidad de los datos. Un paso necesario para, por ejemplo, realizar
    posteriormente modelos de regresión.
    
  • Predecir el comportamiento de nuevos casos o nuevas variables sobre el mapa de relaciones.
  • Dominar el lenguaje estadístico de R Software y Rstudio: una de las competencias profesionales más demandadas en el mercado laboral de la Ciencia de Datos.

Metodología e-learning

Con enfoque Learn by doing «aprende haciendo»

El Curso de Análisis de componentes principales (PCA) con R es una formación práctica, intensiva y especializada impartida con metodología 100% on-line:

• Tutorización personalizada
  Con el apoyo individualizado de un docente experto comprometido con tu aprendizaje.
• Enfoque Learn by doing
  Pon en práctica los nuevos conocimientos analizando casos reales desarrollados completamente en torno a R Software.
• A tu ritmo
  Aprende cuándo y dónde quieras, marca tu propio ritmo de aprendizaje, sin fechas ni plazos de entrega.
• Contenidos de calidad
  Evoluciona paso a paso con materiales didácticos, actualizados y prácticos aplicables a tus proyectos profesionales.
• Evaluación continua
  Basada en la comprensión de los conceptos y en la capacidad técnica para resolver los ejercicios propuestos. Con certificado de finalización.
  

Requisitos de acceso

• Curso especializado

Para un mejor aprovechamiento es interesante contar con conocimientos básicos sobre Estadística, R Software y RStudio.

Si necesitas iniciarte en el manejo de esta herramienta, te recomendamos el Curso de Introducción al Data Science con R

• Reserva tu plaza on-line

Consulta el inicio de las próximas convocatorias en el calendario 2021.

Programa de contenidos

El Curso de Análisis de componentes principales (PCA)  con R se divide en tres bloques temáticos:

TEMA 1 | Introducción al Análisis de Componentes Principales (PCA)

Identificar patrones y reducir la complejidad de grandes conjuntos de datos.

• Cuándo podemos aplicar un PCA y para qué.
• Cómo funciona el PCA.
• Análisis y preparación previa de los datos.
• Ejemplos de casos reales.

TEMA 2 | Cómo analizar e interpretar un PCA

Valores propios, ejes principales y gráficos biplot.

• Formato de los datos y estandarización.
• Obtención de los valores propios y varianzas explicadas por los ejes.
• Selección del número de ejes (componentes principales) óptimo y obtención de la
  variabilidad explicada por cada uno.
• Gráfico de las variables y los casos. Círculos de correlación.
• Evaluación de la calidad de la representación.
• Descripción de las dimensiones identificadas.
• Detección de las variables que más contribuyen a explicar la variabilidad de los datos.
• Interpretación y publicación de los resultados.
• Ejemplos de casos reales.

TEMA 3 | Análisis cluster jerárquico

HCPC (Hierarchical Clustering on Principal Components).