Webinar • Business Intelligence: Business Intelligence • TODOS

Machine Learning para usuarios de negocio con Knime (18 horas)Agéndalo en tu calendario habitual ¡en tu horario!

Taller formato Webinar. Con Knime (opensource).
Martes, 19 de octubre de 2021, de 10.00 a 13.00 hs Horario de Virginia (US)
Webinar en español

La transformación digital implica desarrollar capacidades de analítica avanzada en todos los niveles de los negocios.

 

Con esa finalidad desarrollamos este taller integral de machine learning que le permita:

 

 Desarrollar modelos de machine learning bajo una metodología integral CRISP DM, haciendo muchísimo énfasis en el conocimiento de los problemas de negociosy en la parte de preparación de datos para desarrollar modelos robustos y sólidos

 

 Desarrollar diversos algoritmos avanzados de Machine learning que permitan construir sólidos y modelos más predictivos.

 

Utilizaremos la herramienta de Machine Learning gratuita Knime. 

 

Objetivos de aprendizaje

 

Al finalizar el taller, los alumnos deben ser capaces de:

 

 Dominar, de forma integral, el desarrollo de modelos de machine learning de datos y machine learning, usando la herramienta líderes y orientadas al usuario de negocio y gratuitas como Knime.

 

o Cargar información desde diferentes fuentes de datos, realizando cruces de fuentes (“joins”).

 

o Preparar los datos para  el modelamiento: fusionar, limpiar, analizar distribuciones de variables y transformar, crear nuevas variables para el análisis (feature engineering).

 

o Desarrollar modelos de clasificación (scorings) con diversos algoritmos (random forest, máquina de vectores, arboles de decisión, redes neuronales, redes bayesianas, regresión logística, etc) y hacer competir los modelos y combinarlos para obtener un modelo optimizado 

 

o Añadir nuevos y más sofisticados modelos de Machine Learning como Random Forest, modelo Boosting.

 

o Medir y seleccionar modelos y operativizarlos en los sistemas a través de la exportación en códigos PMML en algunos algoritmos

 

o Desarrollar diversos algoritmos de segmentación y metodologías que aseguren su éxito

 

Metodología de aprendizaje

 

“Learning by doing” es clave para el desarrollo del programa. El profesor llevara un set de datos, presentaciones para el marco teórico y desarrollarán ejercicios que cumplan con los objetivos de aprendizaje de cada sesión, mezclado con trabajos, relacionados al sector, para desarrollar.

 

Dirigido a

 

El taller estará dirigido a unos analistas con conocimientos de Excel, estadística básica y de SQL o manejo de tablas a nivel usuario.

 

Temario

 

1. Minería de Datos-Machine Learning

 

 Definiciones y ejemplos de aplicación en la Banca

 Tipos de Modelos. Analítica descriptiva / predictiva

 

1.1. Análisis exploratorio de datos

 Conexión con bases de datos via ODBC,

 Manipulación de datos (sumarizaciones, pivoteo, agragacion, RFM)

 Resumen de datos: indicadores de tendencia central, de dispersión, percentiles

 Visualización de distribuciones: boxplot, histogramas, distribución, asimetria

 Análisis de correlación

 Joins de tablas

 

1.2. Preparación de variables

 Cambio de escala

 Imputación de datos

 Recodificación

 Limpieza de data: Valores perdidos, tratamiento de valores extremos

 Muestreo y selección de muestras

 Equilibrado de muestras

 Reducción de dimensionalidad y multi-colinealidad.

 

2. Modelos Clustering (No Supervisados)

 

 Segmentación RFM

 Algoritmos: K-Medias, K-mediodes, modelos jerárquicos

 Perfilamiento de cluster

 Medidas de calidad del modelo cluster

 

3. Árboles de decisión

 

 Árboles de regresión

 Árboles de clasificación

 Principales algoritmos de arboles: C5.0, C&RT, Chaid, etc

 Exportación de reglas de decisión

 

4. Modelos de clasificación (Modelos Supervisados)

 

 Regresión Logística,

 Redes Neuronales

 Naive Bayes

 Modelos avanzados: Randon Forest, Modelos boosting

 

5. Evaluación de Performance de modelos

 

• Tasa de error

• Verdaderos y falsos positivos y negativos

• Sensibilidad y Especificidad

• Matriz de confusión

• Gráficos de Riesgo

• Grafico ROC

 

6. Implementación

 

• Exportación de modelos a código PMML

• Implementación de modelos a nuevos registros

Herramientas que usaremos:

Principalmente usaremos software libre: Knime desktop.

Cada alumno debe venir con su PC con Knime instalado

 

Duración: 18 horas, 6 sesiones de 3 horas

Precio: 500 euros

Martes y jueves de 16 a 19 hrs. a partir del 19 de Octubre

Agenda
  • 10:00 - 13:00 hs
    por Ing. Julio Quiñonez Villanueva
¿Le gustaría hacer webinars o eventos online con nosotros?
Sponsors
  • Machine Learning para usuarios de negocio con Knime (18 horas)



Ponentes de este webinar
Managing Partner Latinoamérica y España
Profesor en cursos especializados de Analytics para Directivos en el Instituto de Empresa Business School e INESDE Digital Business School en Madrid.
Cerrar