Pon atrabajar
tus datos
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Descripción
Objetivo
Metodología
Equipo docente
Plan de estudios
Solicitud de admisión
Pon atrabajar tusdatos
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Somos entidad formadora del CSIC, IAVANTE yFISEVI en el área de la Ciencia de Datos. Más de500 investigadores se han capacitado connosotros.
PRESTIGIO
Desarrollamos un modelo de aprendizaje 100%on-line, flexible y personalizado a tus necesidades.Especialmente diseñado para profesionales dela Ciencia de Datos en activo.
PIONEROS
Somos Sello Cum Laude de eMagister y Sello dePlata eKomi, partner certificador de opiniones deGoogle. En 2019 nuestros alumnos tituladosnos valoraron con un 4,8 sobre 5.
SATISFACCIÓN Avda. de la Innovación 1. Edificio BIC, 18016. Granada
Por quénos eligen
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Líderes en Ciencia de Datos
Centro de formación on-line de referencia para analistas de datos e investigadores en activo
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Líderes en Ciencia de Datos
Centro de formación on-line de referencia para analistas de datos e investigadores en activo
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Por qué
Machine Learning
Forma parte de la Industria 4.0
La Inteligencia Artificial y el Machine Learning son las nuevas tecnologíasque están marcando un antes y un después en el desarrollo delconocimiento y de la economía en las sociedades del siglo XXI. Susavances influyen cada vez más en nuestro entorno. Gracias a la aplicación de algoritmos de Machine Learning las máquinaspueden desarrollar la capacidad de realizar tareas de forma autónomasin ser explícitamente programadas. Los perfiles profesionales quedominan esta disciplina son la gran apuesta de las grandes empresas ycentros de investigación a nivel mundial.
DISEÑA PROYECTOS IMPACTANTESCon el soporte de especialistas en Machine Learning y R
La revolución que viene
DESARROLLA UNA PROFESIÓN CON FUTUROComo analista de datos experto en Machine Learning
LIDERA LA TRANSFORMACIÓN DIGITALEn grandes empresas y centros de investigación
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Aplica modelos de regresión, clasificación, reducción de la dimensión, series temporales y redesneuronales, para tomar decisiones inteligentes a partir de los datos.
Domina R, el lenguaje de la Ciencia de Datos, y conviértete en un experto en Machine Learning y enInteligencia Artificial.
El MÁSTER DE MACHINE LEARNING CON R ofrece una visión global de las mejores herramientasde Machine Learning, incluido el trabajo con datos en tiempo real, su preprocesamiento yvisualización avanzada, el desarrollo de algoritmos utilizando aprendizaje supervisado, nosupervisado y el aprendizaje profundo (Deep Learning).
Descripción El primer Máster de Machine Learning 100% on-line, con enfoque práctico y aplicable a entornos de trabajo reales
DURACIÓN | 10 meses
TÍTULO PROPIO UNIVERSITARIO ECTS TOTAL ECTS | 66
ÁREA | Ciencia de Datos METODOLOGÍA | 100% on-line
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Programación en R
Objetivos
Desarrolla COMPETENCIAS PROFESIONALES PUNTERAS enCiencia de Datos, Inteligencia Artificial y Machine Learning:
Pre-procesamiento de datos Visualización de datos Análisis exploratorio de datos Aprendizaje automático / Machine Learning Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje profundo / Deep Learning
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Competenciasgenerales
ESTADÍSTICA APLICADA
Capacidad para identificar el problema, plantear las preguntas adecuadas, losenfoques y aportar soluciones novedosas. Planificar el análisis de datos . Lidiar conla incertidumbre de los datos. Seleccionar la herramienta adecuada. Construir yevaluar modelos de Machine Learning. Predecir e interpretar los resultados paraextraer información valiosa.
La base científica de la mayoría de los algoritmos de Machine Learning
INFORMÁTICA Y COMPUTACIÓN
Capacidad para crear, acceder y gestionar bases de datos Big Data y estructurasde datos complejos. Automatizar tareas habituales o laboriosas.
Las claves de la automatización
COMUNICACIÓN EFECTIVA Y DECISIÓN
Capacidad para analizar y sintetizar para la elaboración de informes.Comunicación y defensa de argumentos. Traducir las ideas basadas en datos endecisiones y acciones.
Comunica tus resultados
INVESTIGACIÓN
Capacidad para organizar, planificar y desarrollar actividades de investigación pararesolver problemas de manera estratégica, proactiva, creativa, innovadora ycolaborativa. Demostrar el dominio y el comportamiento ético en la actividadinvestigadora. Actualización, dominio, flexibilidad y ética.
En la senda del conocimiento
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Competenciastransversales
CAPACIDAD DE RAZONAMIENTOCrítico y lógico
CAPACIDAD PARA RESOLVER PROBLEMASToma de decisiones autónoma y competente
DOMINIO DEL LENGUAJE DE PROGRAMACIÓN R
Capacidad para trabajar con librerías / paquetes / bibliotecas específicas deMachine Learning que utilizan algoritmos novedosos y eficientes. El lenguaje de programación R es una de las herramientas más competentes paraliderar proyectos complejos de Machine Learning.
El lenguaje estadístico de la Ciencia
PENSAMIENTO CRÍTICOPara obtener soluciones innovadoras
INICIATIVA Y CREATIVIDADDesarrollo de procesos creativos
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Metodología
Contenidos didácticos
Recursos Premium
Un programa ON-LINE, realmente PERSONALIZADO, diseñadopor EXPERTOS y APLICABLE a la realidad laboral del alumno:
Descarga y accede a todos los materiales desde el inicio del curso
Hojas de trucos, mapas conceptuales y descargables exclusivos
Sin plazos de entrega Gestiona tu tiempo y tu esfuerzo sin presión ni horarios
Enfoque realista y práctico Estudio de casos reales con acceso a los códigos de programación
Tutorías individuales y grupales Tu eliges el momento y el medio: vídeoconferencia, e-mail y/o teléfono
Material complementario Para profundizar en los aspectos que más te interesan
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
APRENDIZAJEPERSONALIZADO YAPOYO INMEDIATO
AULA INVERTIDA
APRENDIZAJE BASADO EN PROYECTOS
APRENDIZAJE COOPERATIVO
APRENDIZAJE BASADO EN COMPETENCIAS
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Equipo docente
Profesora titular
ROSANA
FERRERO
Profesor adjunto
NACHO
GARCÍA
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Plan de
estudios
T2. PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE
T1. INTRODUCCIÓN AL MACHINE LEARNING
T3. OBTENCIÓN, PRE-PROCESADO Y VISUALIZACIÓN DE DATOS
T4. CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
T5. ÁRBOLES DE DECISIÓN, MODELOS BAGGING Y RANDOM FOREST T6. CLASIFICACIÓN POR K-VECINOS MÁS CERCANOS (kNN) Y MÁQUINA DE VECTORES SOPORTE (SVM)
T9. INTRODUCCIÓN A REDES NEURONALES (NN)
T7. ANÁLISIS CLÚSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)
T8. ANÁLISIS DE SERIES TEMPORALES
T10. TRABAJO DE FIN DE MÁSTER (TFM)
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
¿Cuál es el desafío que aborda el Machine Learning?
¿Qué es y qué no es el Machine Learning?
Proceso de trabajo en Machine Learning
¿Cómo trabaja el Machine Learning?Aprendizaje supervisado, no supervisado y profundo
TEMA 1 INTRODUCCIÓN AL MACHINE LEARNING
En este tema conocerás la columna vertebral del aprendizaje automático. Aprenderás sus fundamentos, los problemas que aborda y las principales técnicasdel Machine Learning que desarrollaremos a lo largo del Máster: aprendizaje supervisado (clasificación y regresión), no supervisado (agrupación y estimaciónde densidad) y profundo (Deep Learning). Aprenderás también cómo es el proceso o flujo de trabajo que deberás utilizar y cómo evaluar el rendimientode los algoritmos.
¿Qué modelo de Machine Learning se ajusta mejor a cada tipo de problema? Clasificación, regresión, agrupacióno reducción de dimensionalidad Medidas de desempeño del modelo: rendimiento o error
¿Qué se necesita para crear un algoritmo de Machine Learningvalioso?
Ejemplos prácticos
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
R y R Studio. Sintaxis básica y ayuda
Investigación reproductible con R Markdown
Estructura de datos.Vectores, matrices, listas y data frames
TEMA 2 PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE
R es el lenguaje de programación de código abierto (y gratuito) líder en Estadística y en Ciencia de Datos. Comenzarás desde cero a usar R y RStudio,aprenderás cómo funcionan, cuáles son los tipos de datos básicos, cómo se manipulan y cómo crear funciones para dominar tus propios análisis de datos.También aprenderás a producir informes elegantes y personalizados con RMarkdown, combinando fragmentos de R, comentarios, tablas y gráficos. Yconocerás todas las prestaciones que R te puede ofrecer: gráficos avanzados, tableros y aplicaciones interactivas con Shiny.
Conoce lo que R te puede ofrecer: gráficos avanzados, tableros y aplicaciones interactivas con Shiny
Funciones, argumentos, condicionales,bucles y funciones propias
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Importar y exportar bases de datos
Introducción al mundo tidyverse
Manipular datos con dplyr
TEMA 3 OBTENCIÓN, PRE-PROCESADO Y VISUALIZACIÓN DE DATOS
Aprenderás a obtener y a gestionar tus datos, a preparar el conjunto de datos para la fase de modelado y a realizar análisis exploratorios. Este es un pasoesencial en cualquier proyecto de aprendizaje automático y suele consumir gran parte del tiempo del proyecto. Sabrás cómo transformar los datos para queestén en la forma correcta que requiere el modelo. Aprenderás a crear nuevas características para aprovechar mejor la información en su conjunto de datos,a seleccionar las mejores características para mejorar el ajuste de su modelo, a explorar los tipos de datos y a manejar datos faltantes y atípicos.
Análisis exploratorio de datos y visualizar datos con ggplot2
Transformar datos con tidyr
Preprocesar datos con caret
Gestionar los datos atípicos (outliers)y datos perdidos (missing)
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Correlación simple y parcial
Regresión lineal simple
Regresión lineal múltiple
TEMA 4 CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
La regresión es posiblemente uno de los métodos de aprendizaje automático más utilizados. Aprenderás sobre diferentes modelos de regresión, cómoentrenar estos modelos en R, cómo evaluar los modelos que entrena y usarlos para hacer predicciones. Desde una perspectiva de aprendizaje automático, laregresión lineal es la tarea de predecir resultados numéricos a partir de varias entradas. La regresión logística implica ajustar una curva a datos numéricospara hacer predicciones sobre eventos binarios. Obtendrás una visión general de las técnicas y aprenderás cómo aplicarlas para resolver problemas reales.
Evaluación del desempeño: RMSE, R cuadrado
Regresión logística
Selección de predictores: automática y por subconjuntos
Evaluación del modelo:gráficos de residuos y pruebas de hipótesis
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Crear árboles de decisión individuales
Modelos de ensemble con árboles de decisión
Modelos de Bagging y de Random Forest
Clasificación vs. Regresión
TEMA 5 ÁRBOLES DE DECISIÓN, MODELOS BAGGING Y RANDOM FOREST
Aprenderás a realizar tareas de clasificación y regresión mediante árboles de decisión individuales, una técnica poderosa de aprendizaje supervisado. Losárboles de decisión usan estructuras similares a diagramas de flujo para tomar decisiones, estas estructuras de árboles permiten una fácil comprensión delos resultados. Aprenderás a realizar modelos de ensamble: Bagging (Bootsap aggregation) y Random Forest. Aprenderás modelos de GBM y de Xaboots, ladiferencias entre algoritmos de bagging y boosting.
Proceso de modelado
Entrenar el modelo de árbol
Búsqueda de hiperparámetros del modelo
Evaluación del desempeño: métricas de rendimiento y validación cruzada
Importancia de las características
Comparación de modelos
Predicción
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
¿Qué son y cómo funcionan?Ventajas y desventajas de cada uno
Presentación del algoritmo k-Nearest Neighbor (kNN)
Distancia y similitud
Selección del factor k
TEMA 6CLASIFICACIÓN POR K-VECINOS MÁS CERCANOS (KNN) YMÁQUINA DE VECTORES SOPORTE (SVM)
Aprenderás dos importantes métodos de clasificación, una de las tareas más importante del aprendizaje supervisado. La clasificación por K-vecinos máscercanos (kNN) y la máquina de vectores de soporte (SVM) utilizan un enfoque intuitivo y visual.
Presentación de las máquinas de vectores de soporte (SVM)
¿Qué es un hiperplano?
Selección y ajuste de parámetros
Métodos kernel SVM
Evaluación del desempeño
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
¿Qué son y cómo funcionan?Cómo interpretar los resultados
Agrupación jerárquica y no jerárquica (por k-medias)
Medidas de distancia y métodos de agrupación
Visualiza e interpreta con el Dendrograma
Número óptimo de grupos
Estadísticas de validación y rendimiento
TEMA 7ANÁLISIS CLÚSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISISDE COMPONENTES PRINCIPALES (PCA)
Este tema te permitirá manejar conjuntos de datos multidimensionales, visualizar patrones ocultos en los datos y descubrir relaciones potencialmentepredictivas. Domina las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensionalidad. El objetivo esencontrar patrones en los datos desde una perspectiva de aprendizaje automático, seleccionar y extraer características sin supervisión, para que pueda obtener datos e información lo más rápido posible.
Reducción de dimensionalidadcon Análisis de Componentes Principales
Centrar y escalar los datos
Visualiza e interpreta con Biplots
Personalización de gráficos
Descripción de las dimensiones
Interpretación de los gruposElementos suplementarios y filtrado
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Análisis exploratorio de series temporales
Identificar datos atípicos (outliers) y faltantes (missing)
Identificar puntos de cambio en las series
Clúster jerárquico con series temporales
Descomponer la serie temporal: método clásico, SLT y SMA
TEMA 8 ANÁLISIS DE SERIES TEMPORALES
El análisis de series temporales es fundamental para evaluar datos especiales que están correlacionados en el tiempo (autocorrelación), como los datosclimáticos o los precios de las acciones. Es esencial identificar patrones sistemáticos en datos de series temporales, ya sea porque representan unacaracterística de interés o porque necesitamos eliminarlo para facilitar análisis posteriores. En este tema aprenderás qué es una serie de tiempo, y variosmodelos específicos, desde los autorregresivos (AR) y de medias móviles (MA). hasta los modelos de cointegración (ARIMA).
Prueba de tendencia y prueba de estacionalidad
Estacionariedad de la serie temporal: Pruebas formales e informales
Estacionarizar la serie en media y varianza
Estadísticas de validación y rendimiento
Correlación y autocorrelación:funciones ACF, PACF y CCF
Modelos ARIMA (AutoRegresive Integrated Moving Average)
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
Conceptos básicos de aprendizaje profundo y redes neuronales.
Optimización y validación de la red neuronal
Construcción de redes neuronales simples
TEMA 9 INTRODUCCIÓN A REDES NEURONALES (NN)
Obtendrás una introducción al aprendizaje profundo (Deep Learning), la técnica detrás de las capacidades más interesantes de la inteligencia artificial(Artificial Intelligence). Aprenderás conceptos fundamentales y la terminología utilizada en NN, y comprenderás por qué estas técnicas son tan poderosas hoyen día.
Predicción
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
TFM TRABAJO FINAL DE MÁSTER
El TFM es tu oportunidad para demostrar lo que has aprendido en el Máster. Se convertirá en parte de tu currículum y demostrará que cuentas con lashabilidades de adquisición, preparación, visualización, programación, modelado, evaluación e interpretación para resolver un problema de Machine Learning .Construir un proyecto del mundo real es el mejor modo de poner a prueba las nuevas competencias adquiridas.
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
SOLICITUD DE
ADMISIÓN
Reserva tu plaza on-line
RESERVAR
MÁSTER DE MACHINE LEARNING CON R SOFTWARE
OFICINA CENTRAL
Avda. de la Innovación 1. Edificio BIC
18016. Granada - España
(+34) 635 659 391
maximaformacion.es
ASESORÍA TÉCNICA DE FORMACIÓN
ESPAÑA(+34) 635 659 391
LATINOAMÉRICA(+598) 94 707 187
Top Related