La Ciencia de Datos une la Analítica con las capacidades de la Inteligencia Artificial . Machine Learning permite crear modelos predictivos que pueden ser usados por la empresa para resolver una gran cantidad de problemas, entender comportamientos, hacer predicciones y encontrar patrones.
La Inteligencia Artificial tiene una gran cantidad de aplicaciones, desde mejorar la toma de decisiones hasta el mantenimiento predictivo. Ayuda a mejorar y entender la relación con los clientes, mejora la cadena de suministros, aumenta la seguridad e incluso se puede utilizar en control de calidad.
Conocer sobre Machine Learning abre las puertas a nuevas oportunidades y nos ayuda a ser competitivos ante empresas que la usan para reducir sus costos y mejorar sus procesos.
Tenemos una serie de capacitaciones profesionales orientadas a la práctica y sin el uso de matemáticas complejas, lo cual permite su integración al negocio de forma sencilla.
Con la regresión podemos crear modelos predictivos que nos permiten hacer análisis, toma de decisión y conocer el posible comportamiento futuro de algo en particular.
La regresión es una de las técnicas de Machine Learning más utilizadas en la industria y los negocios. Permite llevar a cabo predicciones de ventas, de liquidez, precios, resistencia de materiales, etc. Cuando necesitamos hacer predicciones de un valor numérico hacemos uso de la regresión.
Sin embargo, existen diferentes tipos de regresión y es necesario conocer cuando debemos de utilizar cada una. La forma como se encuentran los datos pueden alterar los resultados, por lo que es necesario conocer las técnicas para evitar problemas y poder seleccionar la regresión adecuada.
Se inicia con la regresión lineal sin olvidar aprender todoas las métricas que nos serán útiles para poder entender el desempeño de los diversos algoritmos de regresión. Se cubren las regresiones múltiples y polinomiales. No todos los problemas se resuelven de forma lineal, por eso incluimos siete algoritmos de regresiones no lineales. La regularización nos permite evitar problemas con las regresiones y vemos los cuatro tipos más utilizados. Para finalizar conoceremos ocho tipos de regresiones avanzadas, cómo evaluar los modelos de regresión y el cálculo de los intervalos de confianza en la regressión.
La clasificación nos permite que la computadora aprenda de los datos que le damos y posteriormente pueda clasificar una nueva observación. Se usa en reconocimiento de voz, de texto, biometría, diagnóstico médico, etc.
Cualquier problema en el que dado un ejemplo que damos a la computadora, la IA debe de decir a que tipo o clase pertenece se resuelve por medio de los algoritmos de clasificación. Por ejemplo si una pieza cumple o no con las tolerancias, en un diagnóstico si la persona tiene o no una enfermedad, con una fruta a que variedad pertenece. Son muchas las aplicaciones de la clasificación.
La clasificación puede darse para dos clases o para múltiples clases. Ya sea que sólo se seleccione una o varias a la vez. Todos estos casos de clasificación se llevan a cabo durante el curso.
Muy importante es poder optimizar el modelo para qué de los mejores resultados, especialmente en los casos cuando existe desbalance en los datos.
Este tema está dividido en dos cursos, debido a todo lo que es necesario conocer para llevarla a cabo correctamente.
Se empieza con las técnicas básicas de clasificación donde se ven seis algoritmo, pero lo más importante es el conocimiento a fondo de las diferentes métricas de evaluación que son necesarias para conocer el desempeño del algoritmo. Posteiormente nos enfrentamos a uno de los grandes desafíos de la clasificación: el desbalance de datos. Aprendemos diferentes técnicas para resolverlo y métricas avanzadas que nos ayudan en el proceso. También se ve como llevar a cabo el ajusto del modelo para reducir los falsos negativos.
Posteriormente vemos seis algoritmos de boosting, los cuales suelen presentar mejor desempeño que las técnicas clasicas. Se procede entonces a los clasificadores avanzados, donde trabajaremos con trece de ellos. La clasificación no siempre es binaria por eso también se ve el tema de la clasificación multiple. Otro gran desafío de la calsificación es la dimensionalidad, afortuandamente tenemos técnicas que nos ayudan a enfrentarlas.
Este curso está siendo actualizado, en breve daremos información sobre el mismo.
PRÓXIMAMENTE
