Las nuevas técnicas de Aprendizaje Automático (Machine Learning) permiten mejorar sensiblemente el poder de discriminación de los modelos -lo que se traduce en mejoras en el negocio-, pero a costa de una mayor complejidad de implementación, pues generalmente sólo están disponibles en ambientes de código abierto, presentando desafíos de instalación, y una lenta curva de aprendizaje.

Los modelos y herramientas que se verán durante este curso permitirán usar modelos implementados en lenguaje Python, pero bajo la interface de IBM SPSS Modeler, por lo que se podrán usar de forma intuitiva, utilizando distintas fuentes y analizando los datos con gráficos de alta calidad.

Con este curso online aprenderás a:

  • Resolver un problema supervisado usando el algoritmo XGBoost implementado en Modeler
  • Generar grupos a partir de técnicas como HDB-Scan
  • Representar gráficamente grupos generados a través del modelo t-SNE
  • Simular datos y analizarlos con los nodos KDE
  • Detectar valores inusuales con la técnica de SVM para una clase
  • Tratar datos desbalanceados con el nodo SMOTE

 

Requisito: Haber cursado Introducción a Modeler y Data Mining: Clasificación.

Para aquellos que quieran integrar otras bibliotecas, este curso puede complementarse con el siguiente: Programación en Python/R con SPSS Modeler