Máster Machine Learning con R Software VIII edición- OCTUBRE/NOVIEMBRE2024

Name: Máster en Machine Learning con R
Brand: Máxima Formación
SKU: MF000362
Availability: InStock

Toma decisiones inteligentes basadas en la experiencia de los datos con nuestro excepcional Máster en Inteligencia Artificial Machine Learning. En un mundo impulsado por la información, la capacidad de analizar y extraer conocimientos valiosos de grandes conjuntos de datos se ha vuelto esencial. Este programa, no solo te proporcionará las habilidades esenciales en machine learning, sino que también profundizará en el innovador campo de la inteligencia artificial.

Duración10 meses – 66 ECTS

PrecioCONSULTAR

InicioOCTUBRE/NOVIEMBRE 2024

Plazo de MatrículaMatrícula abierta

Formación
100% Online

Plan de estudios

Contenidos propios, campus virtual accesible las 24 horas y 100% en español

MÓDULO I

UNIDAD 1. INTRODUCCION AL MACHINE LEARNING

• ¿Cuál es el desafío que aborda el Machine Learning?
• ¿Qué es y qué no es el Machine Learning?
• Proceso de trabajo en Machine Learning
• ¿Cómo trabaja el Machine Learning? Aprendizaje supervisado, no supervisado y profundo.
• ¿Qué modelo de Machine Learning se ajusta mejor a cada tipo de problema? Clasificación, regresión, agrupación o reducción de dimensionalidad.
• Medidas de desempeño del modelo: rendimiento o error.
• ¿Qué se necesita para crear un algoritmo de Machine Learning valioso?
• Ejemplos prácticos.

UNIDAD 2. PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCIBLE

• R y RStudio. Sintaxis básica y ayuda.
• Investigación reproducible con RMarkdown
• Estructura de datos. Vectores, matrices, listas, y data frames.
• Funciones, argumentos, condicionales, bucles, funciones propias.
• Conoce lo que R te puede ofrecer: gráficos avanzados, tableros y aplicaciones interactivas con Shiny.

UNIDAD 3. OBTENCIÓN, PREPROCESADO Y VISUALIZACIÓN DE DATOS

• Importar y exportar bases de datos.
• Introducción al mundo tidyverse.
• Manipular datos con dplyr.
• Transformar datos con tidyr.
• Realizar análisis exploratorio de datos y visualizar datos con ggplot2.
• Preprocesar datos con caret.
• Gestionar los datos atípicos (outliers) y datos perdidos (missing).

MÓDULO II

UNIDAD 4. CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

• Correlación simple y parcial.
• Regresión lineal simple.
• Regresión lineal múltiple.
• Regresión logística.
• Evaluación del desempeño: RMSE, R cuadrado.
• Selección de predictores: automática y por subconjuntos.
• Evaluación del modelo: gráficos de residuos y pruebas de hipótesis.

UNIDAD 5. ÁRBOLES DE DECISIÓN, MODELOS DE BAGGING Y RANDOM FOREST

• Crear árboles de decisión individuales.
• Modelos de ensemble con árboles de decisión.
• Modelos de Bagging y de Random Forest.
• Clasificación vs. Regresión.
• Proceso de modelado.
• Entrenar el modelo de árbol.
• Búsqueda de hiperparámetros del modelo.
• Evaluación del desempeño: métricas de rendimiento y validación cruzada.
• Importancia de las características.
• Comparación de modelos.
• Predicción.

UNIDAD 6. CLASIFICACIÓN POR K-VECINOS (KNN) Y MÁQUINA DE VECTORES DE SOPORTE (SVM)

• ¿Qué son y cómo funcionan? Ventajas y desventajas de cada uno.
• Presentación del algoritmo k-Nearest Neighbor (kNN).
• Distancia y similitud.
• Selección del factor k.
• Presentación de las máquinas de vectores de soporte (SVM)
• ¿Qué es un hiperplano?
• Selección y ajuste de parámetros.
• Métodos kernel SVM
• Evaluación del desempeño.

Qué aprenderás en los Módulos I y II:

Profundizar en los fundamentos del Machine Learning, los problemas que aborda y sus principales técnicas: aprendizaje supervisado (clasificación y regresión), no supervisado (agrupación y estimación de densidad) y profundo (Deep Learning).
Ejecutar tareas de clasificación y regresión mediante árboles de decisión individuales, una técnica poderosa de aprendizaje supervisado.
Dominar R y RStudio, cómo funcionan, cuáles son los tipos de datos básicos, cómo se manipulan y cómo crear funciones para aplicar en tus análisis de datos.
Capturar y gestionar tus datos, preparar el conjunto de datos para la fase de modelado y realizar análisis exploratorios.
Aplicar los métodos de clasificación del aprendizaje supervisado, por K-vecinos más cercanos (kNN) y la máquina de vectores de soporte (SVM) que utilizan un enfoque intuitivo y visual.
Producir informes elegantes y personalizados con Rmarkdown y las prestaciones de Shiny para crear gráficos avanzados, tableros y aplicaciones interactivas.
Manejar conjuntos de datos multidimensionales, visualizar patrones ocultos en los datos, y descubrir relaciones potencialmente predictivas.
Transformar los datos para ajustarlos al modelo, crear nuevas características para aprovechar mejor la información en su conjunto de datos, seleccionar las mejores características para optimizar el ajuste de su modelo, explorar los tipos de datos, manejar datos faltantes y datos atípicos.
Generar diferentes modelos de regresión, entrenarlos en R, evaluarlos y aplicarlos para hacer predicciones.

Módulo III

UNIDAD 7. ANÁLISIS CLUSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

• ¿Qué son y cómo funcionan? ¿cómo interpretar los resultados?
• Agrupación jerárquica y no jerárquica (por k-medias).
• Medidas de distancia y métodos de agrupación.
• Visualiza e interpreta con el Dendrograma.
• Número óptimo de grupos.
• Estadísticas de validación y rendimiento.
• Interpretación de los grupos.
• Reducción de dimensionalidad con Análisis de Componentes Principales.
• Centrar y escalar los datos.
• Visualiza e interpreta con Biplots.
• Personalización de gráficos.
• Descripción de las dimensiones.
• Elementos suplementarios y filtrado.

UNIDAD 8. ANÁLISIS DE SERIES TEMPORALES: MODELOS ARIMA Y SARIMA

• Análisis exploratorio de series temporales.
• Identificar datos atípicos (outliers) y faltantes (missing).
• Identificar puntos de cambio en las series.
• Clúster jerárquico con series temporales.
• Descomponer la serie temporal: método clásico, SLT y SMA.
• Prueba de tendencia y prueba de estacionalidad.
• Estacionariedad de la serie temporal: pruebas formales e informales.
• Estacionarizar la serie en media y varianza.
• Correlación y autocorrelación: funciones ACF, PACF y CCF.
• Modelos ARIMA (AutoRegresive Integrated Moving Average).

UNIDAD 9. INTRODUCCIÓN A REDES NEURONALES (NN)

• Conceptos básicos de aprendizaje profundo y redes neuronales.
• Optimización y validación de la red neuronal.
• Construcción de redes neuronales simples.
• Predicción.

Qué aprenderás en el Módulo III:

Dominar las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensionalidad.
Introducirte en el aprendizaje profundo (Deep Learning), la técnica tras la que se hallan las capacidades más interesantes de la inteligencia artificial (Artificial Intelligence).
Encontrar patrones en los datos desde la perspectiva del aprendizaje automático, seleccionando características y extrayéndolas sin supervisión, para obtener información de forma ágil y rápida.
Conceptos fundamentales y terminología utilizada en redes neuronales (NN: Neural Networks), para comprender el poder y el alcance de estas técnicas.
Obtener dendrogramas mediante agrupación jerárquica.
Aplicar el análisis de componentes principales (PCA) para reducir la dimensionalidad y visualizar los resultados con biplots.
Identificar patrones sistemáticos en datos de series temporales.

TFM

Trabajo de Fin de Máster (TFM)
Una vez aprobado el temario del Máster deberás realizar un TFM en el que aplicarás en la práctica las técnicas abordadas en el Máster.

El TFM es una oportunidad excelente para demostrar que cuentas con habilidades avanzadas en adquisición, preparación, visualización, programación, modelado, evaluación e interpretación de datos para resolver problemas de Machine Learning con aplicación a cualquier rama de conocimiento.

Descarga el plan de estudios

Máster en Inteligencia Artificial Machine Learning con R Software

CONVOCATORIAS

Matricúlate en la VIII edición

Inicio de las clases en octubre / noviembre de 2024

MATRÍCULA ONLINE

Aplica técnicas de Machine Learning en tus proyectos para agilizar procesos y tomar decisiones inteligentes basadas en la experiencia de los datos. Trabaja con datos en tiempo real, crea tus propios modelos de análisis y algoritmos con aprendizaje supervisado, no supervisado y aprendizaje profundo (Deep Learning).
Descubre el siguiente nivel en tu carrera con nuestro Máster en Inteligencia Artificial Machine Learning. Explora nuevas oportunidades, toma decisiones informadas y desbloquea el potencial de la información con un enfoque práctico y experto en el análisis de datos.

Últimas valoraciones de nuestros alumnos titulados