Taller Práctico Minería de Datos para Empresas

Cargando mapa....

Fecha/Hora
Date(s) - 27/02/2018
8:00 AM - 5:00 PM

Ubicación
Club Unión

Categorías


Los avances tecnológicos provocan grandes cambios en la manera en la que se hacen los negocios y estos cambios en muchos casos le han dado grandes impulsos a empresas o han quebrado empresas que no se adaptan al cambio. La Minería de Datos  es uno de los principales avances tecnológicos de la actualidad ya que mejora la eficiencia en mercadeo/ventas de las empresas. El taller Minería de Datos para Empresas permite a los participantes tener la oportunidad de conocer en que consiste exactamente esta tecnología y como la pueden usar para hacer mas eficiente su negocio.


Objetivo General

Conocer los principales conceptos y métodos en Minería de Datos, Big Data y Ciencia de Datos al igual que aplicaciones reales de estos conceptos con bases de datos por medio de programas especializados.

Facilitador

Dr. Oldemar Rodríguez.

Consultor en minería de datos y profesor catedrático en la Universidad de Costa Rica. Graduado de la Universidad de París IX y con un post doctorado en Minería de Datos de la Universidad de Stanford.


 Contenido del Taller

1. Conceptos de la Minería de Datos

a. Definiciones básicas: Minería de Datos, Big Data y Ciencia de Datos.

b. Instalación de la Plataforma R

2. Análisis Exploratorio de Datos

a. Tipos de variables

b. Estadísticas básicas y matriz de correlaciones

c. Tablas de datos y datos atípicos

d. Aplicaciones en casos reales con RComander sobre la plataforma R

3. Métodos de condensación de la información

a. Análisis en Componentes Principales – • Plano principal • Círculo de correlaciones • Dualidad y sobre-posición de gráficos • Análisis Factorial de Correspondencias Múltiples

b. Aplicaciones en casos reales con FactoMineR

c. ¿Qué es “cluster analysis”?

d. Clustering Jerárquica Aglomerativa

e. Aplicaciones en casos reales con FactoMineR

4. Conceptos de la Minería de Datos Predictiva

a. Conceptos y diferencias entre aprendizaje supervisado y aprendizaje no supervisado

b. Diseño de bases de datos de aprendizaje

c. Diseño de bases de datos de testing

d. Variables cuantitativas y variables cualitativas

e. ¿Cómo evaluar la calidad de un modelo predictivos?

f. Cálculo de la Matriz de confusión e índices de calidad

5. Máquinas Vectoriales de Soporte

a. Hiperplano de separación de las clases

b. Vectores de soporte

c. Función discriminante lineal

d. ¿Cómo resolver un Problema Optimización?

e. MVS no linealmente separables

f. Núcleos en Máquinas Vectoriales de Soporte

g. Aplicaciones en casos reales con Rattle

6. Árboles de Decisión (Método CART)

a. Algoritmos ID3, C4.5, C5.0 y CART

b. Árboles de auto-regresión

c. Aplicaciones en casos reales con Rattle

  1. (valid email required)
 

Bookings

Las reservas están cerradas para este evento.