Home
Forum
Courses
Contact us
Sign in
Contact Us
Lessons
Share
Exit Fullscreen
Back to course
MIT Data Science y Big Data
Módulo 1 - Introducción
Plan de Estudio
Introduccin Data Science y Big Data Decisiones Basadas en Datos
Qué es el aprendizaje no Supervisado
Herramientas, aplicaciones
Qué es la Clusterización
Cuándo se utiliza la Clusterización
Introducción a K medias
Cómo se evalúa la clusterización
Más allá de k medias
K medias otro concepto de distancia
K-medias agrupación según la semejanza
Más allá de k-medias, datos y procesamiento previo
Más allá de K-medias Big Data
Más allá de la Clusterización
Caso de estudio 1 1 códigos genéticos
Caso de estudio 1 2 Encontrar Temas
Redes y datos complejos
Búsqueda de los componentes
La magia de los vectores propios I
La magia de los vectores propios II
La clusterización en gráficos y redes
Agrupamiento Espectral
Clusterización de modularidad
Encajes y componentes
Caso de estudio 1 4 agrupamiento espectral agrupación de noticias
Módulo 2
Introducción Data Science y BigData
Regresión lineal para predicciones
Evaluación de la calidad de una predicción
Interferencia para la regresión lineal
Otros tipos de regresión
Caso de estudio 2 1 Predicción de salario
Caso de estudio 2 2 La brecha salarial
La regresión lineal moderna
Modelos dispersos de altas dimensiones y LASSO
Inferencia con LASSO
Otros métodos de regresión personalizada la validación cruzada
Caso de estudio 2 3 Crecen los países pobres más rápido que los países ricos
Regresión no lineal moderna métodos basados en árboles de regresión
Regresión no lineal moderna de redes neuronales
Caso de estudio 2 4 Agregación de predictores
Caso de estudio 2 5 el impacto de la posesión de armas
Causalidad
Módulo 3
Introducción
Qué son las anomalías Parte 1
Qué son las anomalías Parte 2
Qué son las anomalías Parte 3
Clasificación Binaria Falso Positivo Negativo
Contraste de Hipótesis
Intervalos de confianza
Contraste de hipótesis
El uso indebido de las estadísticas
El valor P
Los métodos para estimar la verosimilitud
La máquina de vectores de soporte
El perceptrón un clasificador sencillo con una interpretación elegante
La prueba del perceptrón
El perceptrón y los datos que no son linealmente separables
La estimación de los parámetros de una regresión logística
Usos incorrectos de las técnicas estadísticas
Caso de estudio 3 1 El lanzamiento del challenger
Introducción al deep learning
La clasificación a través de un umbral lineal
Las representaciones jerárquicas
El ajuste de parámetros a través de la propagación
Redes neuronales convolucionales
Las limitaciones de las redes neuronales profundas
Caso de estudio 3 2nAlphhaGo Redes neuronales profundas
Módulo 4
Qué hace un sistema de recomendación I
Qué hace un sistema de recomendación II
Qué hace un sistema de recomendación III
Cuáles son los datos I
Cuáles son los datos II
Las medias de la población I
Las medias de la población II
Las medias de la población III
Comparación y clasificación de la población I
Comparación y clasificación de la población II
Comparación y clasificación de la población III
El algoritmo de recomendación 101 IV
Filtrado colaborativo basado en usuarios I
Filtrado colaborativo basado en usuarios II
Filtrado colaborativo basado en ítems
El algoritmo de recomendación 203 basado en usuarios e ítems I
El algoritmo de recomendación 203 basado en usuarios e ítems II
La personalización a través de la personalización I
El algoritmo de recomendación 301 II
Modelo oculto Markov I
El modelo oculto de Markov II
La información lateral
El algoritmo de recomendación 501 preguntas y aprendizajes
La construcción de sistemas de recomendación
Caso de estudio 4 1 películas
Caso de estudio 4 2 Canciones y manual de instrucciones
Caso de estudio 4 3 productos
Resumen últimos comentarios, conclusiones y desafíos
Módulo 5
Introducción a las redes
Definiciones y ejemplos de redes
La representación de una red
Las diferentes medidas de centralidad de un nodo
Otras medidas de centralidad espacial
Las estadísticas globales de la red
Los modelos de red
Los modelos estocásticos de las redes
La maximización de la influencia
Introducción a los modelos de grafo no dirigidos
El conocimiento sobre los modelos de rafo no dirigidos a partir de unos datos
El modelo de Leasing y el modelo de grafo gaussiano
El conocimiento sobre los modelos de grafo dirigidos a partir de datos observacionales
La inferencia en modelos de grafo parte 1
La inferencia en los modelos de grafo parte 2
La inferencia en los modelos de grafo parte 3
El modelo oculto de Markov
El filtro de Kalman
Caso de estudio 5 1 La identificación de los nuevos genes que provocan autismo
Módulo 6
Los tipos de variables
Introducción
La definición de los resultados para hacer predicciones
La búsqueda de ejemplos de entrenamiento
La recopilación de datos para el diseño de variables
El diseño de variables
Los tipos de variables
Deep Feature Synthesis Primitivas y algoritmos
Deep Feature Synthesis Apilamiento
La modelización y la evaluación
La selección del modelo