Udemy

Platform

Español

Language

Databases

Category

Machine Learning para Investigación con WEKA. De 0 a Experto

Conoce las técnicas más potente y necesarias que un investigador debe tener en su fase de de desarrollo. Weka Workbench

4.30 (24 reviews)

Students

26 hours

Content

Jul 2021

Last Update
Regular Price

Topics

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

What you will learn

Aprender las técnicas de preprocesamiento de datos para machine learning.

Conocer las diferentes posibilidades sobre el pre-análisis y pre-tratamiento de datos para machine learning

Comprender que es la minería de datos y aplicarla a un conjunto de datos específico.

Comprender y analizar la fase de preprocesamiento en machine learning.

Comprender y analizar la fase del análisis de datos previos al modelado algorítmico en machine learning.

Comprender y analizar la fase de modelado algorítmico en machine learning.

Comprender y analizar la fase de tunníng para los diferentes modelos de machine learning.

Desarrollar y analizar proyectos de machine learning, Aprendizaje Supervisado, como regresión, clasificación y multiclase.

Desarrollar y analizar proyectos de machine learning de Aprendizaje No Supervisado

Al acceder a este curso formarás parte de una comunidad educativa especializada en la materia, que te dará soporte, recursos y asesoramiento de por vida.


Description

Machine Learning para Investigación con WEKA. De 0 a Experto

Conoce las técnicas más potente y necesarias que un investigador debe tener en su fase de de desarrollo. Weka Workbench

Instructores: PhD. Manuel Castillo y Arquitecto Álvaro García. Contenido Actualizado: Julio 2021


Entre los diferentes software que existen de machine learning automatizado, destaca, sobre todos los demás, Weka Workbench, que es un software libre y gratuito. Este potente software nos ofrece un amplio espectro de opciones para utilizar machine learning sobre cualquier conjunto de datos que tengamos, ya sea de nuestros experimentos u obtenidos de diferentes bancos de datos libres, de manera muy sencilla, sin tener grandes conocimientos sobre el modelo matemático de un algoritmo y, lo más interesante, sin conocimientos de programación.

Son nueve unidades temáticas, en las que contará con vídeos, actividades, temario, foros que le ayudarán a realizar el curso de manera eficiente y entretenida.

Este curso se enfoca en un subcampo específico de la minería de datos llamado modelado predictivo (aprendizaje supervisado) y clústering (Aprendizaje No Supervisado). Este es el campo de la minería de datos que es el más útil en la industria e investigación siendo estas técnicas las más potente y necesarias que un investigador debe tener en su fase de de desarrollo.

A diferencia de las diferentes formas de estadística, donde los modelos se utilizan para comprender los datos, el modelado predictivo se centra en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar el por qué se hacen las predicciones. A diferencia del campo más amplio de minería de datos que podría usarse con datos en cualquier formato, el modelado predictivo (aprendizaje supervisado)) y clústering (Aprendizaje No Supervisado) se enfoca principalmente en datos tabulares (por ejemplo, tablas de números como una hoja de cálculo).

En este contexto, el curso pretende otorgar a los estudiantes los conceptos básicos e intermedios relacionados al análisis y tratamiento de datos pero llevando este proceso más allá pudiendo aplicar algoritmos basados en aprendizaje, es decir, Machine Learning. Para ello, el curso hará uso de un sistema muy utilizado en cualquier ámbito y línea de investigación como es Weka. Weka es una plataforma de muy sencillo uso que nos permite utilizar todos los conceptos de Minería de datos sin tener que saber programar, es decir, es una plataforma específicamente desarrollara para cualquier investigador que requiera de estas técnicas pero que no tiene un base previa computacional.

Curso Virtual el curso es virtual para poder llevarlo a cabo se tiene el siguiente esquema:

  1. Lectura del material el EVD. Los participantes debe leer y revisar los contenidos teóricos que se tienen en el EVD, correspondiente a cada unidad.

  2. Visualización de Videos. Como ayuda al aprendizaje se tienen videos para cada unidad, los cuales deben ser visualizados por el alumnado.

  3. Autoaprendizaje. Se debe resolver el material para refuerzo y aplicación de los contenidos teóricos/prácticos antes de la evaluación.

  4. Sofware de trabajo. Se utilizará el software libre Weka Workbench.

  5. Foro de consultas. Este espacio está destinado para que los estudiantes formulen sus preguntas con respecto a la temática desarrollada y el docente tutor será el responsable de absolver sus interrogantes.

Con esta amplia formación aprenderás el proceso completo y de forma profesional para llevar a cabos proyectos integrales. Una formación 100% practica que aumentará tu habilidades y competencias profesionales. Un curso paso a paso que te ahorra mucho tiempo y esfuerzo en tu trabajo diario.

El aprendizaje será un proceso continuo donde los estudiantes tienen la oportunidad de ir trabajando con el software de machine learning practicando lo expuesto en la parte de teoría.

La formación te permitirá convertirte en un experto en la materia, y todo ello desde una formación principalmente práctica. A través de variadas actividades y proyectos completos podrás adquirir los conocimientos suficientes para ejercer profesionalmente de forma solvente. Además conocerás en detalle mi flujo de trabajo a la hora de afrontar un proyecto profesional. Para la realización de este curso no vas a necesitar el equipo informático más potente del mercado, ya que el software empleado durante formación online se encuentra perfectamente optimizado y su uso es muy fluido en todo tipo de equipos, tanto en PC como en Mac.

Puedes elegir ver todas las lecciones de forma secuencial (lineal) y aprovecharlas al máximo la formación. Pero también puedes decidir ver este curso como una guía de referencia. Las clases están claramente organizadas en secciones lógicas y puedes decidir visualizar solo las clases que te resulten más importantes según tus necesidades formativas. A excepción de las lecciones PRO, la mayoría de las lecciones son independientes para que puedas comprender los conceptos de cada lección sin tener que ver las lecciones anteriores del curso.

Es excepcional el aumento en la demanda de profesionales en este ámbito por parte de las empresas de todo el mundo actualmente. Para desarrollar el programa formativo propuesto no ser requieren grandes conocimientos previos, ya que la formación se acomete desde un nivel de usuario 0. El curso está orientado a aquellos creativos que quieran ampliar sus skills (habilidades) y conocer múltiples trucos, consejos, recursos y recomendaciones, de la mano de los instructores Manuel Castillo y Álvaro García. Además todas las formaciones de Udemy disponen acceso automático al curso, sin limitación de tiempo, disponibilidad 24/7 (24 horas al día los 7 días de la semana), sin caducidad y con garantía de devolución.

Contenidos: 


Unidad 1: Introducción

  • Conceptos básicos de machine learning.

  • Weka Workbench como nuestro entorno de machine learning.

  • Conclusiones.

Unidad 2: Minería de datos en Weka

  • Planeles en Weka.

  • Conociendo nuestros datos en los paneles de Weka.

  • Conclusiones.

Unidad 3: Pre-análisis y pre-tratamiento de datos

  • Clasificación de datos en machine learning.

  • Conjunto de datos para machine learning.

  • Pre-análisis de datos.

  • Conclusiones.

Unidad 4: Pre-procesamiento de datos para machine learning

  • Normalización y estandarización de los datos.

  • Transformar los datos de machine learning.

  • Manejar valores perdidos en los datos de machine learning.

  • Conclusiones.

Unidad 5: Análisis de datos en machine learning

  • Future Selection en machine learning.

  • Uso de algoritmos de machine learning.

  • Estimar el resultado de los algoritmos.

  • Estimar una línea base de los resultados.

  • Conclusiones.

Unidad 6: Fase de modelado en machine learning

  • Algoritmos de clasificación.

  • Algoritmos de regresión.

  • Algoritmos ensamblados.

  • Conclusiones.

Unidad 7: Fase de optimización en machine learning

  • Comparar el rendimiento de los algoritmos.

  • Optimización de los parámetros (hiperparámetros) de los algoritmos.

  • Guardar nuestros modelos y hacer predicciones.

  • Conclusiones.

Unidad 8: Proyectos en machine learning

  • Trabajar un proyecto de clasificación multiclase.

  • Trabajar un proyecto de clasificación binario.

  • Trabajar un proyecto de regresión.

  • Conclusiones

Unidad 9. Aprendizaje No Supervisado

  • Aprendizaje No supervisado

  • Algoritmos de Aprendizaje No Supervisado

  • Determinar el número óptimo de clústers

  • Proyecto de Aprendizaje No Supervisado


La modalidad de este curso te permite que empieces y acabes cuando tú quieras, marcando el ritmo de la clase según tu disponibilidad. Puedes volver a visualizar lo que te interese, saltar el contenido que ya domines, hacer preguntas, resolver dudas, compartir tus proyectos...

Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso.

¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación ;)


Screenshots

Machine Learning para Investigación con WEKA. De 0 a Experto
Machine Learning para Investigación con WEKA. De 0 a Experto
Machine Learning para Investigación con WEKA. De 0 a Experto
Machine Learning para Investigación con WEKA. De 0 a Experto

Content

Introducción a Machine Learning con Weka.

Sumilla.

Uso de la Plataforma Udemy. Consejos para sacar el máximo partido a la web.

Estructura del Curso que vas a Comenzar.

UCI Machine Learning

Instalación Weka.

¡Preséntate!

Machine Learning con Weka.

Interfaz Principal de Weka.

Trabajar el Componente Explorer.

Trabajar el Componente Experimenter.

Los componentes KnowledgeFlow, Workbench y SimpleCLI.

Pre-Análsis y pre-tratamiento de datos.

Dataset en formato arff.

Cargar un CSV en Weka.

Conjunto de datos para clasificación.

Conjunto de datos para regresión.

Estadística descriptiva.

Distribución y visualización de dos datos.

Pre-procesamiento de Datos para Machine Learning.

Pre-procesamiento de datos para Machine Learning

Filtros en los conjuntos de datos.

Normalización en un conjuntos de datos.

Estandarización en un conjuntos de datos.

Discretización en un conjuntos de datos.

Convertir a variables dummy.

Identificación de valores missing.

Eliminar valores missing.

Sistituir valores missing.

Análisis de Datos en Machine Learning.

Análisis de datos en Machine learning.

Recorrido por el panel de feature.

Feature selection basada en correlación.

Feature selection basada en ganancia de información.

Feature selection basada en aprendizaje.

Recorrido por el panel de clasificación.

Algoritmos según la taxonomía de machine.

Configuración de algoritmos a partir de sus.

Entrenamiento de modelos de machine.

Evaluación de los algoritmos.

Resultado de línea base.

Fase de Modelado en Machine Learning.

Fase de modelado en machine learning.

Clasificación_ Logistic Regression.

Clasificación_ Naive Bayes.

Clasificación_ Decision Tree.

Clasificación_ k-Nearest Neighbors.

Clasificación_ Support Vector Machine.

Regresión_ Linear Regression.

Regresión_ k-Nearest Neighbors.

Regresión_ Decision Tree.

Regresión_ Support Vector Reggresion.

Regresión_ Multilayer Perceptron.

Ensamblado_ Boostrap Aggregation.

Ensamblados_ Random Forest.

Ensamblados_ AdaBoost.

Ensamblados_ Voting.

Ensamblados_ Stacking.

Fase de Predicción en Machine Learning.

Fase de predicción en Machine Learning.

Comparar el rendimiento de los algoritmos.

Comparar algoritmos_ Diseño y ejecución.

Comparar algoritmos_ Resultados.

Optimización_ Hiperparámetros.

Optimización_ Diseño y ejecución.

Optimización_ Resultados del algoritmo.

Predicción_ Entrenamiento del modelo.

Predicción_ Guardar-Cargar un modelo.

Predicción_ Hacer predicciones con el modelo entrenado.

Consultas de los Alumnos.

Videoconferencias con los Alumnos. Sesión #01.

Videoconferencias con los Alumnos. Sesión #02.

Videoconferencias con los Alumnos. Sesión #03.

Videoconferencias con los Alumnos. Sesión #04.

Videoconferencias con los Alumnos. Sesión #05.

Videoconferencias con los Alumnos. Sesión #06.

Videoconferencias con los Alumnos. Sesión #07.

Resolución de las principales consultas de los alumnos del curso.

Proyectos completos en machine learning.

Ayuda Extra con tus Proyectos.

Tiempo para practicar.

...

Clase Extra.

Solicitud del Certificado de Finalización del Curso.

Certificado de Finalización del Curso.


Reviews

P
Pablo10 June 2021

Excelente curso. El mejor que he hecho en Udemy. No sólo las clases son excelentes, sino además el profesor resuelve todas las dudas inmediatamente y hay mucho material de apoyo. Además no es un curso superficial, sino genuinamente profundo y completo, los que toca en toda su integridad. Completamente recomendado. Gracias por el brillante trabajo!!!!

J
Julian10 January 2021

Este curso es exactamente lo que buscaba y aunque no tengas conocimientos se entiende a la perfección. Gracias a los profesores.

P
Pablo13 May 2020

Voy a usar Weka y machine learning para investigación y el profesor es investigador. Habla en la terminología a la cual estoy acostumbrado en la academia. Me siento cómodo al escucharlo.

D
Daniel24 February 2020

I´m disappointed because this course has a suppervised algorithm focus. When I read the initial description i didn't find some comments about this by the theacher. So now, i have to finish this course and start a new one about unsuppervised algorithm


Coupons

DateDiscountStatus
1/8/2020100% OFFExpired

2737124

Udemy ID

1/3/2020

Course created date

1/8/2020

Course Indexed date
Lee Jia Cheng
Course Submitted by