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
Requisitos:
- Disponer del software IBM SPSS Modeler.
- Haber cursado Data Science con SPSS Modeler: Fundamentos, Data Science con SPSS Modeler: Clasificación y Data Science con SPSS Modeler: Regresión.
- Recomendación: Conocer pruebas de hipótesis e inferencia (aunque se revisan algunos conceptos de data science, el curso es funcional).
- Aclaración: El curso está diseñado sobre las funcionalidades de Modeler 18.2.2
Para aquellos que quieran integrar otras bibliotecas, este curso puede complementarse con el siguiente: Programación en Python/R con SPSS Modeler