Machine Learning: Modelos de Clasificación con R
Aprende a clasificar eventos futuros mediante Modelos de Machine Learning de Clasificación
En este curso aprenderás el uso de algoritmos de Machine Learning de Clasificación, con los cuales podremos utilizar nuestros datos históricos para clasificar diferentes categorías.
Con el uso de Machine Learning Modelos de Clasificación podrás responder a preguntas de gran utilidad en los negocios como por ejemplo:
- ¿Es una transacción fraudulenta o no?
- ¿Un vuelo llegará a tiempo o no?
- ¿El cliente pagará su crédito o no?
- ¿El tipo de tumor es benigno o maligno?
- ¿Al cliente le gustará esta película o no?
- ¿Una máquina fallará o no?
- ¿Qué tipo de deporte realiza un usuario de un dispositivo? (Caminar, nadar, correr, etc)
- ¿Qué tipo de campaña publicitaria dirigimos a cada cliente?
Esto lo lograrás a través del uso de algunos algoritmos que estudiaremos en este curso, entre ellos:
- Naive Bayes
- k Nearest Neighbors
- Regresión Logarítmica
- Árboles de Decisión
- Clustering Jerárquico
- Clusterización con kmeans
- Análisis de Componentes Principales
- Modelo RFM
- Entre otros
Todas estas habilidades son muy bien valoradas en escenarios de analítica avanzada que requieren las empresas de vanguardia.
¡Suscríbete al curso y aprende las técnicas de un Analista o Científico de Datos profesional!
Tu Instructor
Mi nombre es Julio Solano. Soy ingeniero en Producción Industrial con más de 15 años de experiencia enfocada a Mejora Continua y Análisis de Datos. Actualmente curso mi Maestría en Ciencia de Datos y Business Analytics y me apasiona enseñar e impulsar el desarrollo de las empresas mediante el uso del análisis de datos.
He asesorado a muchas empresas exitosas en el pasado y actualmente soy director, instructor y consultor de Analítica de Datos en Grow Up Data Analytics. También soy certificado como Microsoft Certified Power BI Data Analyst Associate y mi experiencia como usuario de negocio me ayuda a poder explicarle a mis alumnos con ejemplos sencillos y prácticos similares a los que se encontrarán en la vida real.
Plan de Estudios
-
Inicio2.1 Entendiendo el Modelo de k Vecinos Más Cercanos - KNN (9:01)
-
Inicio2.2 Conjuntos de Entrenamiento y Prueba (5:58)
-
Inicio2.3 Distancias Euclidianas o Euclideas (7:51)
-
InicioQuiz
-
Inicio2.4 Probando diferentes k (5:07)
-
Inicio2.5 Poner a escala los valores de las variables (11:58)
-
Inicio2.6 Práctica Modelo para Compra de Casa con KNN (3:29)
-
Inicio2.7 Resolucion Práctica - Modelo para Compra de Casa con KNN (13:32)
-
Inicio2.8 Resolución Práctica - Graficar la Matriz de Confusión (5:50)
-
Inicio2.9 Modelo KNN con Variables Categóricas y la Función KKNN (10:28)
-
Inicio3.1 Entendiendo el Modelo Naive Bayes (7:08)
-
Inicio3.2 Cálculo de Probabilidades (7:19)
-
Inicio3.3 Construir el Modelo y Predecir con Naive Bayes (5:40)
-
Inicio3.4 Explicación de la “ingenuidad” en el Modelo (5:42)
-
Inicio3.5 Uso de variables numéricas dentro del Modelo (9:42)
-
Inicio3.6 Evaluar el Modelo Naive Bayes con Datos de Prueba (10:10)