python_slide1




Forecasting y Machine Learning

img1 (3)
img1 (1)
img1 (2)
img1 (4)

Curso Forecasting y Machine Learning con Python

Clases Live Streaming – Curso para Empresas

¡ Cupos Limitados !

Cursos cerrados para empresas

Horario

Inicio a convenir en curso cerrado empresa

Solicite cotización

Contenidos ajustados a requerimiento de la empresa cliente

Aprende a construir Modelos de Forecasting y Machine Learning

Python y Data Science

Podemos aplicar Python a diversos temas laborales, entre estos encontramos las potentes herramientas para la construcción de modelos predictivos aplicados a los procesos de Forecast de muchas empresas.

Python tanto en las líneas de Machine Learning como de Time Series nos presentan numerosas herramientas para realizar nuestro trabajo de Forecast. Los modelos tienen diferentes orientaciones y usos, una de las diferenciaciones pueden los resultados que se esperan sean arrojados por el modelo, estos pueden ser:

De clasificación. Estos modelos utilizan valores pasados y realizarán predicciones de clasificación binaria, es decir cumple o no cumple, 1 o 0, entre otros. Ejemplos prácticos pueden ser la predicción de si un cliente abandona o no el servicio, es de riesgo o no, probabilidad de compra si o no, entre otros.

De regresión. En estos modelos utilizamos datos históricos para la predicción de valores continuos futuros, por ejemplo: precio, sueldo, edad, etc. Podemos incorporar múltiples variables independientes para la predicción de la variable dependiente.

Como podemos ver, tanto los modelos de clasificación como de regresión utilizan datos pasados para sus predicciones y a su vez, son considerados algoritmos de aprendizaje supervisado. La diferencia es el tipo de problemas para los que son utilizados, los modelos regresivos son para predecir los valores continuos como precio, sueldo, edad, etc. y los algoritmos de clasificación se utilizan para predecir / clasificar los valores discretos como Masculino o Femenino, Verdadero o Falso, Spam o no spam, etc.

Los modelos de Time Series tradicionales son desde sus inicios del tipo regresivos y se utilizan para predecir en base a datos pasados, valores futuros continuos como precio, ventas, temperaturas, utilización, entre otros. Estos modelos en su mayoría son del tipo univariantes, por lo tanto, a partir de una variable independiente, para el caso representada por el tiempo, se tiene por objetivo predecir una variable dependiente tal como podría ser ventas, precios, temperaturas, entre otros.

Muchas veces necesitaremos mejorar nuestros Forecast preparados con Time Series, dependiendo del modelo que utilicemos podremos incorporar por ejemplo fechas de eventos especiales que afecten nuestra predicción, por ejemplo, muchas empresas de retail tienen marcadas diferencias en sus ventas en fechas de navidad y otras fechas especiales. Para estos casos hay modelos que permiten incorporar estos eventos. Además, también encontraremos opciones de incorporar otras series para ayudar al modelo a predecir la tendencia futura de nuestra variable target, por ejemplo, para empresas automotrices probablemente junto a las fechas, también tengan implicancias en sus ventas la tasa de desempleo del país y/o el tipo de cambio peso dólar y/o plazos de entrega, entre otras variables propias de cada tipo de negocio. En resumen, junto a las fechas, podemos mejorar nuestros Forecast incorporando fechas de eventos específicos que afectan el resultado, otras series con implicancias en los resultados tales como tasa desempleo, IPC, tipo de cambio entre otros.

  • Descripción
    Este curso es una introducción a herramientas de Forecasting y Machine Learning con Python. Las clases serán online transmitidas en vivo con participación dinámica, preguntas y respuestas instantáneas, similar a una clase presencial, pero con la garantía de tener el respaldo grabado de la clase con sus contenidos y preguntas resueltas.
  • A quién está dirigido
    Personas que trabajen con datos y requieran construir modelos predictivos con Python.
  • Pre requisitos
    Programación básica en Python.
  • Metodología
    La metodología considera clases online transmitidas en vivo, participativas y dinámicas con preguntas y respuestas al instante, tareas y proyectos guiados. Las clases serán grabadas y estarán disponibles para los estudiantes, así como también la documentación del curso.  Se mezclan los conceptos teóricos con ejercicios prácticos generales de modo de hacer lo más familiar posible el programa y sus potenciales aplicaciones reales tanto al mundo laboral como estudiantil. El diploma del curso se otorga a los estudiantes que realicen y aprueben el curso.
  • Dónde se harán las clases?
    Clases online transmitidas en vivo. El objetivo es trabajar en un ambiente de aprendizaje similar a una clase presencial pero con la garantía de tener la clase grabada con todas las preguntas y respuestas y documentación, siempre disponibles.
  • Forma de pago
    Factura

Dudas sobre el curso?. Escríbenos!

Contenidos Tentativos

Sesiones online en vivo

Módulo 1: Nivelación / Repaso Sintaxis Python

Detalle

  • Instalación de Python
  • Visualización en Idle o visualizador
  • Tipos de datos en Python
  • Estructuras de control y ciclos.
  • Principales bibliotecas

Módulo 2: Preparación de Datos

Detalle

  • Trabajo en ambiente Jupyter Notebook
  • Procesamiento de datos con Pandas y Numpy
  • Gráfica de data
  • Ejercicios

Módulo 3: Introducción a Machine Learning

Detalle

  • Introducción a Machine Learning
  • Modelos regresivos
  • Modelos de clasificación
  • Aplicaciones

Módulo 4: Introducción Time Series y Forecasting

Detalle

  • Introducción Time Series con Python
  • Modelos univariables
  • Modelos univariables con incorporación de eventos especiales
  • Modelos con incorporación de series regresoras
  • Aplicaciones

Equipo Facilitador

Jefe Programa

Cristian Saavedra. Ingeniero Industrial MBA. 15 años de experiencia profesional en importantes empresas nacionales e internacionales. Participación en proyectos de abastecimiento y TI.

Facilitadores

Juan Ávila. Ingeniero Informático con 13 años de experiencia profesional. Participación en proyectos TI de diversas complejidades. Dominio de varios lenguajes de programación.

Georgina Garrido. Ingeniero Informático con 15 años de experiencia profesional. Participación en proyectos TI para la banca y retail.

Gonzalo Fernández. Estudiante Ingeniería Civil Informática. Programador full stack, Profesor y Ayudante Universitario. 10 años de experiencia.

Sitio desarrollado por www.webmanager.cl | Copyright © 2016 | Todos los Derechos Reservados.