Gestión de Datos

Minería de Datos para Negocios (GD01)


Descripción

La minería de datos o Data Mining, se ha convertido en una herramienta imprescindible en cualquier proceso empresarial. Las organizaciones ahora tienen muchos datos y además, las herramientas para analizarlos cada vez son más accesibles y de fácil uso
Este curso va dirigidos a diferentes perfiles: tomadores de decisiones, analistas, personal de áreas financieras, marketing y ventas, entre otros. Asimismo, pertenecientes a diversos sectores como: PyME, telecomunicaciones, ratail, financiero y seguros.
Se trata de un curso orientado a negocio, por lo que no requiere de previos conocimientos especializados en estadística o matemáticas, sólo conceptos básicos.
Con este curso: aumentarás tu competitividad profesional, comenzarás a responder preguntas de negocio con la ayuda de los datos, identificarás y comprenderás la aplicación de la minería de datos, además con el uso de unas de las herramientas de Minería de Datos más populares y poderosas: KNIME
El participante tendrá 45 días para completar el curso y obtendrá su certificado de participación de praiker que podrá incluir en Linkedin.

Contenido
  • Módulo 1: La minería de datos
  • La minería de datos en el tiempo
  • Qué es y por qué la minería de datos
  • Usos de la minería de datos
  • Procesos de la minería de datos
  • Algoritmos más utilizados parte 1
  • Algoritmos más utilizados parte 2
  • KNIME
  • Instrucciones para descargar e instalar KNIME
  • Guía Introducción a KNIME
  • Práctica 1 Arboles de Decisión
  • Test 1
  • Módulo 2: ÁRBOLES DE CLASIFICACIÓN
  • Conceptos teóricos
  • Medidas de precisión de los modelos
  • Principales indicadores parte 1
  • Principales indicadores parte 2
  • Indicadores caso práctico
  • Tareas de clasificación (ejemplo)
  • Práctica 2 Árboles de Decisión
  • Test 2
  • Módulo 3: Regresiones
  • Regresión Lineal
  • Regresión Múltiple
  • Regresión Logística Aplicación: Credit Scoring
  • Práctica 3 Regresión Logística
  • Test 3
  • MÓDULO 4: Redes Neuronales
  • Conceptos teóricos
  • Modelo Neuronal parte 1
  • Modelo Neuronal parte 2
  • Modelo Neuronal parte 3
  • Ventajas y desventajas
  • Práctica 4 Redes Neuronales Churn
  • Test 4
  • MÓDULO 5: NAIVES BAYES/RANDOM FOREST/KNN
  • Naive Bayes descripción
  • Naive Bayes ejemplo parte 1
  • Naive Bayes ejemplo parte 2
  • Naive Bayes ejemplo parte 3
  • Random Forrest descripción y ejemplo
  • Práctica 5 Naive Bayes Y Random Forest
  • K Nearest Neighbor
  • Test 5
  • MÓDULO 6: SUPPORT VECTOR MACHINE y XGBOOSTING
  • Definición y funcionamiento
  • Casos Lineales y No Lineales. Ejemplos
  • Ventajas y desventajas
  • Práctica 6.1 Support Vector Machine
  • Práctica 6.2 Gráfico ROC
  • Ensemble, Bagging y Boosting
  • Gradient Boosting parte 1
  • Gradient Boosting parte 2
  • Práctica 6.3 XGBOOSTING
  • Test 6
  • MÓDULO 7: MARKET BASKET ANALYSIS
  • Asociaciones: Métricas
  • Asociaciones: Patrones secuenciales
  • Práctica 7 Market Basket Analysis
  • Test 7
  • MÓDULO 8: CLUSTERING
  • K-Means Cluster Analysis
  • ¿Por qué Clustering?
  • Pasos del Clustering
  • Práctica 8.1 K-Means Cluster Analysis
  • Práctica 8.2 Cluster Análisis y Arboles de Decisión
  • Principal Components Analysis (PCA)
  • PCA - Componentes principales parte 1
  • PCA - Componentes principales parte 2
  • PCA - Componentes principales parte 3
  • Práctica 8.3 PCA
  • Test 8
  • Nos interesa tu opinión
Reglas de finalización
  • Todas las unidades deben ser completadas
  • Conduce a una certificación con duración: Para siempre