Curso de Machine Learning: Análisis Cluster con R

Duración

6 semanas

Precio

390€

Inicio

15 de Mayo de 2021

Matrícula

Solicita información

Descripción del curso

Especialízate en agrupación jerárquica y k-medias.

Un curso práctico con el que aprenderás aplicar una de las técnicas más populares en Machine Learning no supervisado: análisis cluster jerárquico y no jerárquico (k-medias) con R Software.

Mediante ejemplos prácticos, serás capaz de encontrar grupos de observaciones (clusters) que comparten características similares y aprenderás a descubrir patrones relevantes en grandes conjuntos de variables de manera rápida y sencilla.

• 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 cuya actividad requiere el análisis de agrupación (análisis cluster).

Competencias

Competencias avanzadas y aplicables a tu día a día profesional.

Al finalizar el curso serás capaz de:

• • Reconocer patrones en los datos automáticamente, sin la necesidad de agrupaciones previas (Machine Learning no supervisado).
  • Analizar y representar gráficamente las relaciones entre múltiples variables creando grupos homogéneos de observaciones.
  • Interpretar y validar tus hallazgos para apoyar la toma de decisiones en tu organización o investigación.
  • 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 Machine Learning: Análisis Cluster 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 Machine Learning: Análisis Cluster con R se divide en cuatro bloques temáticos:

TEMA 1 | Introducción al Análisis Cluster y preprocesado de datos

• ¿Qué es y para qué sirve el análisis cluster?
• Diferencias entre cluster jerárquico y de partición.
• Procedimiento de análisis.
• Exploración y preprocesado de los datos con R.
• Medidas de similitud/distancia.
• Tendencia de agrupación.

TEMA 2 | Análisis cluster de partición por k-medias

• Introducción al análisis cluster de partición.
• Ventajas, desventajas y algoritmos alternativos.
• ¿Cómo funciona el algoritmo de k-medias?
• Análisis de k-medias con R.
• Interpretación de los grupos.
• Gráficos elegantes y avanzados.
• Predicción de nuevos casos.

TEMA 3 | Análisis cluster jerárquico

• Introducción al análisis cluster jerárquico.
• Cluster aglomerativo vs divisivo.
• Ventajas, desventajas y alternativas.
• Métodos de vinculación entre grupos. ¿Cómo elegir el mejor método?
• Análisis AGNES con R.
• Interpretación del árbol de agrupación (dendrograma).
• ¿Cuántos grupos elegir?
• Gráficos elegantes y avanzados.

TEMA 4 | Validación de la agrupación

• Validación de la agrupación por calidad y estabilidad.
• Medidas de calidad externa.
• Medidas de calidad interna.
• Medidas de calidad relativa.
• Medidas de estabilidad.
• ¿Cómo elegir el mejor método y el número de grupos óptimo?
• Conclusiones finales. Limitaciones del análisis cluster.