Descripción del curso
En este curso, aprenderá los fundamentos de varias áreas de aprendizaje automático, incluidas la agrupación en clústeres, la detección de anomalías y los modelos de asociación. Comprenderá el método más común de agrupación, k-means y cómo se puede aplicar a los datos de encuestas para crear una robusta segmentación de clientes, incluida la creación de personajes y una herramienta de tipificación. Al final de este curso, sabrá aplicar una serie de diferentes técnicas de análisis y agrupación. Más específicamente, revisará los métodos más comunes de agrupación en clústeres, junto con su desempeño en varios conjuntos de datos de ejemplo. Aprenderá a analizar datos en busca de anomalías intencionales y no intencionales, como fraude y errores de ingreso de datos, detectar datos anómalos y ver cómo validarlos. Examinará cómo crear reglas de asociación entre compras y cómo pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico. Se cubrirán los desafíos comunes para asegurarse de que los modelos que cree sean válidos y robustos. Finalmente, tendrá la oportunidad de revisar varios casos de estudio para ver en detalle cómo funciona lo que ha aprendido.
Lo que aprenderás
- Comprender los diversos algoritmos de agrupamiento y sus fortalezas y debilidades, incluyendo k-means, k-means de mini-lotes, aglomerativo, espectral, DBSCAN y modelos de mezcla gaussiana
- Elegir el mejor algoritmo de agrupamiento para un problema específico e identificar dónde se aplica el agrupamiento a problemas del mundo real
- Aplicar k-means a datos de encuesta para construir segmentación de clientes, personas y una herramienta de tipificación
- Detectar anomalías intencionales y no intencionales como fraude y errores de entrada de datos usando una variedad de métodos y validarlas
- Construir reglas de asociación usando soporte, confianza y elevación para comprender el comportamiento de compra
- Analizar estudios de casos de modelos de agrupamiento y detección de anomalías que han sido implementados
Puntos clave
- K-means es el método más común de agrupamiento y puede aplicarse a datos de encuesta para crear segmentación de clientes, personas y una herramienta de tipificación.
- El agrupamiento cubre una serie de técnicas no supervisadas y seleccionar el algoritmo correcto depende del problema específico y el conjunto de datos.
- La detección de anomalías puede encontrar tanto anomalías intencionales como el fraude como no intencionales como errores de entrada de datos, y las anomalías detectadas deben validarse.
- Las reglas de asociación describen relaciones entre compras e pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico.
- Abordar los desafíos comunes ayuda a garantizar que los modelos de agrupamiento y análisis creados sean válidos y robustos.
Preguntas frecuentes
¿Qué temas cubre este curso?
El curso cubre los fundamentos de varias áreas del aprendizaje automático, incluyendo agrupamiento, detección de anomalías y modelado de asociación. Revisa métodos comunes de agrupamiento y su desempeño en conjuntos de datos de ejemplo, detección de anomalías, construcción de reglas de asociación y estudios de casos de modelos implementados.
¿Qué algoritmos de agrupamiento aprenderé?
Revisará métodos de agrupamiento incluyendo el algoritmo k-means, k-means de mini-lotes, agrupamiento aglomerativo, agrupamiento espectral, DBSCAN y modelos de mezcla gaussiana, junto con una comparación de algoritmos.
¿Qué habilidades ganaré de este curso?
Ganará habilidades en análisis de conglomerados, ciencia de datos, agrupamiento jerárquico, agrupamiento k-means, métodos de aprendizaje automático y agrupamiento espectral.
¿Cómo se aplica k-means en este curso?
K-means se aplica a datos de encuesta para crear una segmentación de clientes robusta, incluyendo la creación de personas y una herramienta de tipificación, y el curso también cubre elegir variables de entrada, elegir el número de conglomerados, interpretación del centroide y métricas de calidad del modelo.
¿Qué podré hacer con las reglas de asociación?
Aprenderá a crear reglas de asociación entre compras usando soporte, confianza y elevación, y ver cómo pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico.
Certificaciones profesionales y Unidades de Educación Continua (CEUs)
Continuing Development Units (CDUs): 2.75
KnowledgeCity es un proveedor de educación aprobado por el International Institute of Business Analysis™ (IIBA®) para CCBA®, CBAP®. Los cursos de KnowledgeCity pueden ayudar a los alumnos con sus unidades de desarrollo continuo (CDUs).
