Bienvenida

El desarrollo de la Industria 4.0 está generando una enorme cantidad de datos que pueden ser utilizados para mejorar los procesos productivos, el desarrollo y venta de productos y servicios, entre otros.

El Machine Learning es un conjunto de algoritmos que se entrenan en un conjunto de datos para hacer predicciones y mejorar la toma de decisiones. 

El curso Machine Learning está destinado para presentar algunas de las técnicas de esta disciplina y cómo usar R, a través de la IDE RStudio, para aplicar dichas técnicas en el análisis de datos.

Rolando de la Cruz

Director Académico

Dirigido a

Profesionales que buscan aprender y aplicar diversas técnicas del aprendizaje automático en el análisis de datos.

Objetivos

Los objetivos del curso de Machine Learning son:

  • Presentar los conceptos básicos y las etapas del proceso de extracción de conocimiento.
  • Mostrar técnicas para exploración y preparación de datos.
  • Que sus estudiantes se familiaricen con las diferentes técnicas de aprendizaje automático haciendo hincapié en las bases y fundamentos estadísticos de estas técnicas.
  • Que sus participantes aprendan a calibrar, explotar y evaluar la calidad de los modelos.
  • Que sus estudiantes conozcan casos prácticos que les permitan aplicar las técnicas aprendidas.
  • Que sus participantes sepan cómo usar R para analizar datos con técnicas de aprendizaje automático.

Contenidos

Módulo: Introducción General

Introducción al aprendizaje automático. Clasificación de los enfoques de aprendizaje. Contexto actual del aprendizaje automático. Instalación de R y RStudio. Conociendo la interfaz de RStudio.

Módulo: Exploración y preparación de datos

Tipos de atributos (categóricos, ordinales, continuos). Análisis exploratorio de datos. Estadísticos. Visualización (Histogramas, box plot, matriz de dispersión, coordenadas paralelas, diagramas estrella, etc) Calidad de datos y problemas de índole práctica (ruido, outliers, valores faltantes). Preparación de datos: Agregaciones, Muestreo, Reducción de la dimensionalidad, Selección de atributos, Creación de atributos (feature extraction), transformación de atributos.

Ejemplos y casos prácticos.

Módulo: Métodos supervisados: Clasificación y Regresión

  • Árboles de decisión

Definición. Características. Ejemplo de aplicación del modelo. Mecanismo de construcción. Condiciones de corte según el tipo de atributo. Homogeneidad e Impureza. Entropía. Criterios de parada. Sobreajuste. Poda. Métricas de evaluación.

Ejemplos y casos prácticos.

  • Naive Bayes y K-Vecinos más cercanos

Teorema de Bayes. Ejemplo de aplicación. Clasificador Bayes Ingenuo. Características. Vecinos más cercanos Características y consideraciones. Elección del parámetro K. Distancias. Comparación de las técnicas Ejemplos de trabajos utilizando técnicas de clasificación.

Ejemplos y casos prácticos.

  • Random forest

Génesis. Bootstrapping. Bagging (Bootstrap Aggregating). Número de árboles. Out of bag error. Importancia de las variables.

Ejemplos y casos prácticos.

  • Modelos clásicos en Estadística

Discriminante lineal y cuadrático para resolver problemas de clasificación. Regresión múltiple y Regresión logística. Estimación por Cuadrados Mínimos. Suposiciones del modelo. Coeficiente de determinación R². Análisis de la varianza y de residuales. Transformaciones. Modelos no-paramétricos: métodos de suavización con kernels (selección de parámetros).

Ejemplos y casos prácticos.

  • Redes Neuronales

Definición. Similitudes entre neuronas biológicas y artificiales. Estructura de procesamiento de una RNA. Algoritmo de aprendizaje. Funciones de activación. Arquitecturas. Perceptrón. Backpropagation. Características. Dificultades y cuestiones prácticas del entrenamiento y explotación de estos modelos. Deep-Learning.

Ejemplos y casos prácticos.

  • Máquina de vector soporte (SVM’s) y Kernels

Problemas de clasificación y regresión con SVM. Aprendizaje con Kernels. Selección de kernels por validación cruzada. Implementación de SVM’s para resolver problemas de clasificación y regresión. Predicción.

Ejemplos y casos prácticos.

Módulo: Aprendizaje no supervisado

  • Reglas de Asociación

Definiciones. Construcción de las reglas. Algoritmo Apriori. Evaluación (Soporte, Confianza, Lift, …) Distintos tipos de asociaciones.

Ejemplos de trabajos realizados.

  • Métodos de Aglomeramiento (Clustering)

Métodos jerárquicos y no jerárquicos (K-means). Distancias. Construcción de los clusters. Self-organized maps (SOMS). Ventajas y limitaciones de cada técnica.Ejemplos de agrupamientos óptimos y problemáticos.

Ejemplos y casos prácticos.

Profesor

Rolando de la Cruz

Profesor de la Facultad de Ingeniería y Ciencias e investigador del Smart Center de la Universidad Adolfo Ibáñez y profesor visitante en diversas universidades nacionales e internacionales. También es Director Académico del Magíster en Data Science (MDS). Se dedica a la docencia de cursos de análisis de datos para las carreras de ingeniería civil, ingeniería comercial y en los programas de postgrado: MDS, MMS, MACH, y Executive MBA.

Su investigación se enfoca principalmente en el desarrollo de metodologías para el análisis de datos. Cuenta con más de 30 artículos científicos publicados en revistas ISI. Actualmente es Editor Asociado del ISI journal Statistical Modelling publicado por SAGE Publications en nombre de la Statistical Modelling Society.

Durante su trayectoria científica ha recibido diversos premios entre los que destacan: Francisco Aranda-Ordaz Award (honorable mention) otorgado por la Bernoulli Society, David P. Byar Young Investigator Award otorgado por la American Statistical Association, Laha Award otorgado por el Institute of Mathematical Statistics.

Participa activamente como evaluador de los programas FONIS y FONDECYT de CONICYT, para la National Security Agency Mathematical Sciences Program, USA y es par evaluador de la CNA para programas de postgrado.

Información General

Precio

  • $600.000

Fechas y horarios

  • Agosto 2020.

Información e Inscripciones

Formas de pago y beneficios

  • Contado y cuotas

     Descuentos

  • 15% para ex alumnos y exalumnas de pregrado y postgrado UAI.
  • 15% para dos o más ejecutivos de la misma empresa.

* Los descuentos no son acumulables.
*La realización del presente curso exige un número mínimo de alumnos matriculados.

Lugar

Sede Errázuriz. Av. Presidente Errázuriz 3485, Las Condes.