Aprendizaje Automático para el Análisis de Datos: Regresión y Pronóstico

Resumen

Machine Learning made simple with Excel! Regression models for advanced data analysis & business intelligence (no code!) What you'll learn:

Build foundational machine learning & data science skills, without writing complex codeUse intuitive, user-friendly tools like Microsoft Excel to introduce & demystify machine learning tools & techniquesPredict numerical outcomes using regression modeling and time-series forecasting techniquesCalculate diagnostic metrics like R-Squared, Mean Error, F-Significance and P-Values to diagnose model qualityExplore unique, hands-on case studies to see how regression analysis can be applied to real-world business intelligence use cases HEADS UP!This course is now part of The Complete Visual Guide to Machine Learning &Data Science, which combines all 4 Machine Learning courses from Maven Analytics.

This course, along with the other individual courses in the series, will be retired soon.This course is PART 3 of a 4-PART SERIES designed to help you build a strong, foundational understanding of Machine Learning:

PART 1:

QA & Data ProfilingPART2:

Classification ModelingPART3:

Regression & ForecastingPART4:

Unsupervised LearningThis course makes data science approachable to everyday people, and is designed to demystify powerful Machine Learning tools &techniques without trying to teach you a coding language at the same time.Instead, we'll use familiar, user-friendly tools like Microsoft Excel to break down complex topics and help you understand exactly HOW and WHY machine learning works before you dive into programming languages like Python or R. Unlike most Data Science and Machine Learning courses, you won't write a SINGLELINEof code.COURSEOUTLINE:

In this Part 3 course, we’ll start by introducing core building blocks like linear relationships and least squared error, then show you how these concepts can be applied to univariate, multivariate, and non-linear regression models.From there we'll review common diagnostic metrics like R-squared, mean error, F-significance, and P-Values, along with important concepts like homoscedasticity and multicollinearity.Last but not least we’ll dive into time-series forecasting, and explore powerful techniques for identifying seasonality, predicting nonlinear trends, and measuring the impact of key business decisions using intervention analysis:

Section 1:

Intro to RegressionSupervised Learning landscapeRegression vs.

ClassificationFeature engineeringOverfitting &UnderfittingPrediction vs. Root-Cause AnalysisSection 2:

Regression Modeling 101Linear RelationshipsLeast Squared Error (SSE)Univariate RegressionMultivariate RegressionNonlinear TransformationSection 3:

Model DiagnosticsR-SquaredMean Error Metrics (MSE, MAE, MAPE)Null HypothesisF-SignificanceT-Values &P-ValuesHomoskedasticityMulticollinearitySection 4:

Time-Series ForecastingSeasonalityAuto Correlation Function (ACF)Linear TrendingNon-Linear Models (Gompertz)Intervention AnalysisThroughout the course we’ll introduce hands-on case studies to solidify key concepts and tie them back to real world scenarios.

You’ll see how regression analysis can be used to estimate property prices, forecast seasonal trends, predict sales for a new product launch, and even measure the business impact of a new website design.If you’re ready to build the foundation for a successful career in Data Science, this is the course for you!__________Join todayand get immediate, lifetime accessto the following:

High-quality, on-demand videoMachine Learning:

Regression &ForecastingebookDownloadableExcel project fileExpertQ&Aforum30-day money-back guaranteeHappy learning!-Josh M. (Lead Machine Learning Instructor, Maven Analytics)__________Looking for our full business intelligence stack? Search for "Maven Analytics"to browse our full course library, including Excel, Power BI, MySQL, andTableaucourses!See why our courses are among the TOP-RATEDon Udemy:

"Some of the BESTcourses I've ever taken.

I've studied several programming languages, Excel, VBA and web dev, and Maven is among the very best I've seen!" Russ C."This is my fourth course from Maven Analytics and my fourth 5-star review, so I'm running out of things to say. I wish Maven was in my life earlier!" Tatsiana M."Maven Analytics should become the new standard for all courses taught on Udemy!" Jonah M.

Programa

• Introducción al Aprendizaje Automático para el Análisis de Datos
Panorama del Aprendizaje Automático
Importancia del Análisis de Datos en Negocios e Investigación
Tipos de Aprendizaje Automático: Aprendizaje Supervisado vs No Supervisado
• Fundamentos del Análisis de Regresión
Introducción a la Regresión
Regresión Lineal
Supuestos de la Regresión Lineal
Evaluación de Modelos Lineales (R², RMSE, MAE)
Regresión Lineal Múltiple
Regresión Polinómica
• Técnicas Avanzadas de Regresión
Regresión de Ridge
Regresión Lasso
Regresión Elastic Net
Modelos de Regresión No Lineal
Regresión de Vectores de Soporte (SVR)
• Análisis de Series Temporales y Pronósticos
Introducción a los Datos de Series Temporales
Componentes de la Serie Temporal: Tendencia, Estacionalidad y Ruido
Descomposición de Series Temporales
Promedios Móviles y Técnicas de Suavizado
Modelos Autorregresivos (AR, MA, ARMA)
Modelos ARIMA y ARIMA Estacional (SARIMA)
Evaluación de Modelos de Pronóstico (MAPE, AIC, BIC)
• Aprendizaje Automático para el Pronóstico de Series Temporales
Introducción al Aprendizaje Automático en Series Temporales
Ingeniería de Características para Series Temporales
Modelos de Regresión para Series Temporales
Modelos Basados en Árboles: Árboles de Decisión, Bosques Aleatorios y Potenciación de Gradiente
Redes Neuronales para Pronósticos de Series Temporales
• Evaluación y Selección de Modelos
Técnicas de Validación Cruzada
Sobreajuste y Subajuste
Ajuste de Hiperparámetros usando Búsqueda en Cuadrícula y Búsqueda Aleatoria
Consideraciones para el Despliegue de Modelos
• Herramientas y Librerías para Regresión y Pronósticos
Librerías de Python: NumPy, pandas, scikit-learn
Herramientas Específicas para Series Temporales: statsmodels, Prophet
Introducción a R para el Análisis de Series Temporales
• Estudios de Caso y Aplicaciones
Estudio de Caso Académico: Predicción de Precios de Vivienda
Estudio de Caso de Negocios: Pronóstico de Ventas Usando Datos Históricos
Estudio de Caso Ambiental: Análisis de Datos Climáticos
• Proyecto: Desarrollo de un Modelo de Pronóstico
Introducción y Requisitos del Proyecto
Recolección y Preprocesamiento de Datos
Selección y Entrenamiento de Modelos
Evaluación y Presentación de Resultados
• Conclusión y Lecturas Adicionales
Revisión de Conceptos Clave
Recursos Recomendados para Aprendizaje Adicional
Tendencias Futuras en el Aprendizaje Automático para el Análisis de Datos

---

Impartido por

Maven Analytics and Joshua MacCarty

---

Materias

Data Science