100HORAS |
Diseñado y producido por Smartmind
Contenidos
Objetivo. Adquirir los conocimientos y habilidades necesarios para construir y desarrollar bases de datos orientadas a la toma de decisiones. Mixta - Duración de la formación presencial: 12 horas Conocimientos / Capacidades cognitivas y prácticas
Comprensión de la Minería de Datos
Conceptos básicos
Definición y objetivos del Data Mining.
Diferencia entre minería de datos, análisis de datos y machine learning.
Ciclo de vida del proceso KDD (Descubrimiento de Conocimiento en Bases de Datos).
Fundamentos teóricos
Introducción a técnicas de clasificación, clustering y asociación.
Fundamentos matemáticos: probabilidad, álgebra lineal y estadísticas básicas.
Manejo y Manipulación de Datos
Bases de datos
Fundamentos de bases de datos relacionales.
Introducción a SQL para extracción y manipulación de datos.
Conexión con bases de datos no relacionales (NoSQL).
Preprocesamiento y limpieza de datos
Identificación y tratamiento de valores faltantes y atípicos.
Normalización y escalado de datos.
Reducción de dimensionalidad (PCA y selección de características).
Uso de herramientas de análisis de datos
Introducción a las herramientas
Python y R: comparación y uso para Data Mining.
Hadoop y Spark: procesamiento en grandes volúmenes de datos.
Implementación práctica
Configuración de entornos y uso de bibliotecas clave (pandas, scikit-learn, tidyverse, etc.).
Lectura, manipulación y visualización básica de datos.
Búsqueda de la eficiencia energética y desarrollo sostenible:
En el desarrollo de software y diseño.
En la selección de proveedores y servidores.
Objetivo. Adquirir los conocimientos y habilidades necesarios para extraer conocimiento de datos preparados. Mixta - Duración de la formación presencial: 12 horas Conocimientos / Capacidades cognitivas y prácticas
Desarrollo y Evaluación de Modelos
Modelos predictivos
Construcción de modelos de regresión y clasificación.
Evaluación y optimización de modelos: métricas (precisión, recall, AUC, etc.).
Validación cruzada y ajuste de hiperparámetros.
Técnicas avanzadas
Algoritmos de clustering: k-means, DBSCAN, jerárquicos.
Análisis de reglas de asociación: Apriori y FP-Growth.
Evaluación e interpretación
Interpretación de resultados de modelos.
Métodos para mejorar la precisión y robustez de los modelos.
Identificación de las aplicaciones prácticas
Minería de datos en sectores clave
Aplicaciones en marketing, salud, finanzas, e-commerce, etc.
Casos reales de uso y análisis de impacto.
Proyecto práctico
Implementación de un pipeline completo de minería de datos desde la preparación hasta el modelo final.
Documentación y presentación de resultados.
