Módulo 6. Aprendizaje Computacional Descriptivo

Esta semana comenzamos el Módulo 6: Aprendizaje Computacional Descriptivo (con una duración de dos semanas).

De una forma divulgativa y mediante ejemplos prácticos, este módulo proporciona una visión general de la motivación, potencialidad y capacidades de la modelización y la analítica de datos de última generación con el fin último de orientar al alumno en la aplicación de la analítica de datos en su futuro profesional. Así, el alumno adquirirá nociones básicas sobre la analítica y el modelado de datos, entenderá dónde se puede aplicar, qué es necesario y cómo definir un escenario de aplicación.

Desde el punto de vista técnico, el módulo repasa e introduce al alumno en las diferentes categorías de modelos de aprendizaje máquina, prestando especial énfasis en aquellos orientados a describir conjuntos de datos y en hallar patrones ocultos en ellos. El módulo está fuertemente relacionado con el módulo “Predictive Machine Learning”, que engrana temáticamente con lo visto en este primer módulo para hacer mayor énfasis en las técnicas predictivas de aprendizaje máquina.

Docentes

Javier Del Ser Lorente (javier.delser@tecnalia.com).
Tutorías presenciales Miércoles 18.00 a 21.00.
Tutorías virtuales (email, foros, chat, Skype): bajo demanda.

Experto en analítica de datos descriptiva, predictiva y prescriptiva para la resolución de problemas relacionados con redes de distribución inteligente, energías renovables, telecomunicaciones, etc. Imparte los módulos de Aprendizaje computacional descriptivo y predictivo, así como el caso de uso industrial de salud y biociencias.

Distribución horaria

• Clase 1: Introducción a la Analítica de Datos (Javier Del Ser Lorente)
• Clase 2: Problemas (Javier Del Ser Lorente)
• Clase 3: Aprendizaje no Supervisado (Javier Del Ser Lorente)
• Clase 4: Otras Técnicas de Análisis Descriptivo de Datos (Javier Del Ser Lorente)
• Clase 5: Dificultades y Buenas Prácticas (Javier Del Ser Lorente)
• Clase 6: Consideraciones Finales (Javier Del Ser Lorente)

Tecnologías

Python, Sklearn. Modelos DBSCAN, K Means, Hierarchical Clustering, Boxplot, Dimensionality Reduction, Statistics …

Pre-Requisitos: conocimientos básicos de Python

Software necesario
Anaconda (Python 3.6): https://www.continuum.io/downloads/
Algunas bibliotecas se instalarán aparte, pero son muy ligeras; con tal de tener conexión a Internet de algún modo, podrán ser utilizadas en clase. Además el profesor asistirá con una copia en USB de los conjuntos de datos que se manejen en la clase.

Materiales
Al comienzo de la primera clase el profesor proporcionará la teoría dada en clase, ejercicios y bibliografía (y referencias a la documentación) al final de cada apartado y a lo largo del contenido.

Material previo
Detallados a lo largo de la teoría. Para curiosos antes de comenzar el módulo, recomiendo:
1) http://learnpythonthehardway.org/book/
2) http://shop.oreilly.com/product/0636920023784.do
3) https://www.amazon.com/Learning-Mining-Python-Robert-Layton/dp/1784396052
(con prácticas disponibles en https://github.com/PacktPublishing/Learning-Data-Mining-withPython)