phone 910 325 152
CURSO NO DISPONIBLE
Aplicar los algoritmos utilizados en Big Data, aprender el lenguaje R para su uso en Big
Data, realizar un desarrollo con R y Hadoop, así como realizar Data Mining con Weka.
1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
1.1. Introducción a la minería de datos y el aprendizaje automático
1.1.1. Proceso KDD
1.1.2. Modelos y Técnicas de Data Mining
1.1.3. Áreas de aplicación
1.1.4. Minería de textos y Web Mining
1.1.5. Data mining y marketing
2. R COMO HERRAMIENTA PARA BIG DATA
2.1. Instalación de R y RStudio
2.1.1. Introducción al lenguaje
2.1.2. Historia e Introducción a R
2.1.3. Operaciones Básicas y Números
2.1.4. Atributos, Entrada y Coerción
2.1.5. Matrices
2.1.6. Precedencia Operaciones Vectoriales
2.1.7. Manejo de fechas y tiempo
2.1.8. Listas, Factores, Valores Faltantes y Dataframes
2.1.9. Subconjuntos de Datos
2.1.10. Leer y Escribir Datos
2.2. Uso del lenguaje
2.2.1. Estructuras de Control
2.2.2. Funciones
2.2.3. Reglas de Alcance
2.3. Sistema de gráficos
2.3.1. Funciones *apply: apply
2.3.2. Funciones *apply: lapply / sappy
2.3.3. Funciones *apply: mapply / rep
2.3.4. Graficación con el Sistema de Base de Gráficos
2.3.5. Algunas Funciones Gráficas de Alto Nivel
2.3.6. Parámetros en el Sistema de Gráficos
2.3.7. Colores en el Sistema de Gráficos
2.3.8. Graficación con Notación Matemática
2.3.9. Graficación con texto y notación matemática
2.3.10. Creación de Gráficas en 3D
2.4. Expresiones regulares. Graficas con ggplot2 y Simulación
2.4.1. Expresiones Regulares
2.4.2. Paquete de gráficos ggplot2
2.4.3. Simulación
2.5. R en el mundo real
2.5.1. Estadística Descriptiva y Predictiva con R
2.5.2. Integración de R en Hadoop
3. PRE-PROCESAMIENTO &, PROCESAMIENTO DE DATOS
3.1. Obtención y limpieza de los datos (ETL)
3.2. Inferencia estadística
3.3. Pruebas de hipótesis
3.4. Modelos de regresión
3.5. rboles de n
3.6. Algoritmos de n / n (J48/C5.0, M5P)
3.7. n, Tipos de distancia, n
3.8. Machine Learning
3.9. Comparar culos (k-NN)
3.10. Modelo predictivo de profit (k-NN, M5P...)
3.11. Modelo predictivo de n (J48, k-NN)
4. ANÁLISIS DE LOS DATOS
4.1. Inteligencia Analítica de negocios
4.2. La teoría de grafos y el análisis de redes sociales
4.3. Presentación de resultados
5. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP
5.1. ¿Qué es Hadoop?
5.2. El sistema de archivos HDFS
5.3. Algunos comandos de referencia
5.4. Procesamiento MapReduce con Hadoop
5.5. El concepto de los clusters en Hadoop
6. WEKA Y DATA MINING
6.1. ¿Qué es Weka?
6.2. Técnicas de Data Mining en Weka
6.3. Interfaces de Weka
6.4. Selección de atributos
Responsable del tratamiento: AESRAFOR, S.L
Dirección del responsable: C/ Juan de Urbieta, 9 Planta 5, Puerta A, CP 28007, Madrid (Madrid)
Finalidad: Sus datos serán usados para poder atender sus solicitudes y prestarle nuestros servicios.
Publicidad: Solo le enviaremos publicidad con su autorización previa, que podrá facilitarnos mediante la casilla correspondiente establecida al efecto.
Legitimación: únicamente trataremos sus datos con su consentimiento previo, que podrá facilitarnos mediante la casilla correspondiente establecida al efecto.
Destinatarios: Con carácter general, sólo el personal de nuestra entidad que esté debidamente autorizado podrá tener conocimiento de la información que le pedimos.
Derechos: Tiene derecho a saber qué información tenemos sobre usted, corregirla y eliminarla, tal y como se explica en la información adicional disponible en nuestra página web.
Información adicional: Más información en el apartado SUS DATOS SEGUROS de nuestra página web.
Datos de contacto DPD: vmartinez@audidat.com