Especialización en Tratamiento y Extracción de Conocimiento a partir del Dato

Módulo 1. Series Temporales y Forecast para Análisis de Datos

1.1. Series de Tiem

1.1.1. Objetivos
1.1.2. Aplicabilidad

1.2. Componentes de una serie temporal

1.2.1. Componente tendencia - Estacional
1.2.2. Ciclo
1.2.3. Residuos

1.3. Tipos de series temporales

1.3.1. Series temporales estacionarias
1.3.2. Series no estacionarias
1.3.3. Transformación Box-Cox

1.4. Métodos básicos de forecast

1.4.1. Media
1.4.2. Naive
1.4.3. Naive estacional
1.4.4. Comparación de métodos

1.5. Análisis de residuos

1.5.1. Autocorrelación
1.5.2. ACF de residuos
1.5.3. Test de correlación

1.6. Modelos predictivos de series temporales

1.6.1. ARIMA
1.6.2. RMA
1.6.3. Suavizado exponencial

1.7. Medidas de precisión del pronóstico

1.7.1. MAE
1.7.2. MSE
1.7.3. RMSE
1.7.4. MAPE

1.8. Etapas Forecasting

1.8.1. Identificación modelo
1.8.2. Estimación
1.8.3. Verificación-Predicción

1.9. Manipulación y análisis de Series temporales con R

1.9.1. Preparación de los datos
1.9.2. Identificación de patrones
1.9.3. Análisis del modelo
1.9.4. Predicción

1.10. Análisis gráficos combinados con R

1.10.1. Aplicación del Análisis gráfico combinado con R

Módulo 2. Tratamiento De Datos. Análisis Exploratorio y Preprocesamiento

2.1. Estadística

2.1.1. Estadística descriptiva
2.1.2. Inferencia estadística
2.1.3. Test paramétricos
2.1.4. Test no paramétricos

2.2. Análisis exploratorio de datos

2.2.1. Análisis exploratorio de datos. Análisis descriptivo
2.2.2. Visualización de datos
2.2.3. Manipulación de datos

2.3. Preparación de datos

2.3.1. Integración de datos
2.3.2. Limpieza de datos
2.3.3. Normalización
2.3.4. Transformación

2.4. Valores perdidos y vacíos

2.4.1. Eliminando valores perdidos
2.4.2. Procedimientos de máxima verosimilitud
2.4.3. Imputación de valores perdidos

2.5. Ruido en los datos

2.5.1. Tipos de ruido
2.5.2. Detección y eliminación de ruido
2.5.3. Aprendiendo con ruido

2.6. El problema de la dimensionalidad

2.6.1. Sobremuestreo
2.6.2. Submuestreo
2.6.3. Análisis de componentes principales (PCA)

2.7. Discretización

2.7.1. Proceso de discretización
2.7.2. Métodos de discretización
2.7.3. Características y propiedades de los métodos de discretización

2.8. Selección de características

2.8.1. Criterios de selección
2.8.2. Métodos de selección de características

2.9. Selección de instancias

2.9.1. Clasificación de los métodos de selección de instancias
2.9.2. Selección de prototipos
2.9.3. Otros métodos para la selección de instancias

2.10. Preprocesamiento de datos en entornos Big Data

2.10.1. Big Data
2.10.2. Preprocesamiento de datos en entornos Big Data
2.10.3. Smart Data

Módulo 3. Minería de datos: del Machine Learning al Deep Learning

3.1. Conocimiento a partir de datos (KDD)

3.1.1. Selección
3.1.2. Preprocesamiento
3.1.3. Transformación
3.1.4. Minería de datos
3.1.5. Interpretación y evaluación

3.2. Aprendizaje automático

3.2.1. Aprendizaje supervisado
3.2.2. Aprendizaje no supervisado
3.2.3. Aprendizaje por refuerzo
3.2.4. Otros paradigmas de aprendizaje

3.3. Clasificación del Aprendizaje Supervisado

3.3.1. Árboles de decisión
3.3.2. Aprendizaje basado en reglas
3.3.3. Máquinas de Soporte Vectorial (SVM)
3.3.4. Algoritmos de vecinos más cercanos
3.3.5. Métricas

3.4. Regresión en el Aprendizaje Supervisado

3.4.1. Regresión Lineal
3.4.2. Regresión Logística
3.4.3. Modelos no lineales.
3.4.4. Series Temporales
3.4.5. Métricas

3.5. Clustering en el Aprendizaje Supervisado

3.5.1. Clustering Jerárquico
3.5.2. Clustering basado en distancias. Particional
3.5.3. Clustering basados en densidad. Particional
3.5.4. Métricas

3.6. Reglas de Asociación en el Aprendizaje Supervisado

3.6.1. Reglas de Asociación. Medidas
3.6.2. Métodos de extracción de reglas
3.6.3. Métricas

3.7. Ensambles

3.7.1. Bagging
3.7.2. Random Forests
3.7.3. Boosting

3.8. Razonamiento probabilístico

3.8.1. Razonamiento probabilístico
3.8.2. Redes bayesianas
3.8.3. Modelos ocultos de Markov (Hidden Markov Models)

3.9. Redes Neuronales Artificiales

3.9.1. Perceptrón Multicapa
3.9.2. Regresión y Clasificación
3.9.3. Descenso del gradiente
3.9.4. Backpropagation
3.9.5. Funciones de activación
3.9.6. Ejemplo de red neuronal tipo “feedforward”

3.10. Deep Learning

3.10.1. Redes Neuronales Profundas tipo Feedforward
3.10.2. Redes Neuronales Convolucionales
3.10.3. Redes Neuronales Recurrentes y Recursivas
3.10.4. Herramientas para programar Redes Neuronales Profundas