Descripción:
Big data es un gran negocio. Pero tener los datos y el poder computacional para procesarlos no es suficiente para producir resultados significativos. Este curso es un recurso completo para ejecutivos y directivos de tecnología y mercadotecnia que buscan resultados reales que llegan a la conclusión. Proporcionando una visión general atractiva y exhaustiva del estado actual del análisis de big data y la tendencia creciente hacia arquitecturas de cómputo de alto rendimiento, este curso es una mirada basada en detalles sobre cómo se puede aprovechar el análisis de estos potentes recursos para fomentar un cambio positivo e impulsar la eficiencia en su empresa.
Con un crecimiento exponencial continuo en los datos y mercados cada vez más competitivos, las empresas deben adaptarse rápidamente para obtener todas las ventajas competitivas disponibles. El análisis de Big Data, Minería de Datos y Machine Learning pueden servir como eje de las iniciativas que impulsan los negocios, pero solo si la tecnología y el análisis subyacentes son completamente comprendidos y apreciados por los interesados involucrados.
Objetivo del curso:
En este Curso de Big Data, Data Mining y Machine Learning: creación de valor para líderes empresariales y profesionales entre otras cosas, el alumno aprenderá y obtendrá conocimiento acerca de: Una descripción completa de big data y sus características notables. Detalles sobre arquitecturas de cómputo y desarrollo de alto rendimiento para análisis, procesamiento masivo en paralelo (MPP) y bases de datos en memoria. La cobertura completa de minería de datos, análisis de texto y algoritmos de machine learning. Modelos explicativos y predictivos, y cómo se pueden aplicar a los procesos de toma de decisiones.
Temario:
Parte 1. Comprendiendo los Sistemas distribuidos
Bases de datos | Sistema de archivos de cómputo | Consideraciones
Parte 2. Herramientas análíticas existentes
Weka | Lenguajes Java y JVM | R | Python | SAS
Parte 3. El Modelado Predictivo
Una metodología para construir modelos | SEMMA | Clasificación binaria 64 | Clasificación Multinivel | Predicción de intervalos | Evaluación de modelos predictivos
Parte 4. Técnicas comunes de modelado predictivo
RFM | Regresión | Modelos lineales generalizados | Redes neuronales | Decisión y Regresión de Árboles | Máquinas de vectores de soporte | Clasificación de redes de métodos bayesianos | Métodos de conjunto 124
Parte 5. Segmentación, ¿Cómo funciona?
Análisis de conglomerados | Mediciones de distancia (métricas) | Evaluación de agrupamiento | Cantidad de grupos | K ‐ significa algoritmo | Clustering jerárquico | Grupos de perfiles
Parte 6. El modelado de respuesta incremental
Construyendo el Modelo de Respuesta | Medición de la respuesta incremental
Parte 7. Minería de datos de series temporales
Reducción de la dimensionalidad | Detectando patrones | Minería de datos de series temporales en acción: Nike + FuelBand
Parte 8. Sistemas de Recomendación
¿Qué son los sistemas de recomendación? | ¿Dónde se usan? | ¿Cómo trabajan? | Evaluación de la calidad de la recomendación | Recomendaciones en Acción: Biblioteca SAS
Parte 9. Análisis de texto
Recuperación de información | Categorización de contenidos | Minería de texto | Text Analytics en Acción: ¡Juguemos Jeopardy!
Parte 10. Caso de estudio de una gran base de EE.UU.
Empresa de servicios financieros | Proceso de campaña de marketing tradicional | Solución de marketing de alto rendimiento | Propuesta de valor para el cambio
Parte 11. Caso de estudio de un importante proveedor de atención médica
CAHPS | HEDIS | HOS | IRE
Parte 12. Caso de estudio de un fabricante de tecnología
Encontrar dispositivos defectuosos | Cómo redujeron el costo
Parte 13. Caso de estudio de gestión de una marca en línea y un producto de alta tecnología.
Fabricante | Manejo de los datos que faltan | Aplicación más allá de la fabricación
Parte 14. Mirando hacia el futuro
Investigación reproducible | Privacidad con conjuntos de datos públicos | El internet de las cosas | Desarrollo de software en el futuro | Desarrollo futuro de los algoritmos | En conclusión
