Aprendizaje Automático para el Análisis de Datos: Regresión y Pronóstico

Resumen

¡Aprendizaje automático simplificado con Excel! Modelos de regresión para análisis de datos avanzados e inteligencia empresarial (¡sin código!) Lo que aprenderás:

Construir habilidades fundamentales en aprendizaje automático y ciencia de datos sin escribir código complejo.

Utiliza herramientas intuitivas y fáciles de usar como Microsoft Excel para introducir y desmitificar las herramientas y técnicas de aprendizaje automático. Predecir resultados numéricos utilizando modelos de regresión y técnicas de pronóstico de series temporales.

Calcular métricas de diagnóstico como el R-cuadrado, el error medio, la significancia F y los valores P para diagnosticar la calidad del modelo. Explorar estudios de caso únicos y prácticos para ver cómo se puede aplicar el análisis de regresión a casos de uso de inteligencia empresarial en el mundo real.

¡ATENCIÓN! Este curso ahora es parte de la Guía Visual Completa para el Aprendizaje Automático y la Ciencia de Datos, que combina los 4 cursos de Aprendizaje Automático de Maven Analytics.

Este curso, junto con los otros cursos individuales de la serie, se retirará pronto. Este curso es la PARTE 3 de una SERIE DE 4 PARTES diseñada para ayudarte a construir una comprensión sólida y fundamental del Aprendizaje Automático:

PARTE 1:

QA y Perfilado de Datos PARTE 2:

Modelado de Clasificación PARTE 3:

Regresión y Pronóstico PARTE 4:

Aprendizaje No Supervisado Este curso hace que la ciencia de datos sea accesible para las personas comunes, y está diseñado para desmitificar potentes herramientas y técnicas de Aprendizaje Automático sin intentar enseñarte un lenguaje de programación al mismo tiempo.

En cambio, usaremos herramientas familiares y fáciles de usar como Microsoft Excel para desglosar temas complejos y ayudarte a entender exactamente CÓMO y POR QUÉ funciona el aprendizaje automático antes de que te sumerjas en lenguajes de programación como Python o R. A diferencia de la mayoría de los cursos de Ciencia de Datos y Aprendizaje Automático, no escribirás ni UNA SOLA LÍNEA de código.

ESQUEMA DEL CURSO:

En este curso de la Parte 3, comenzaremos introduciendo bloques de construcción básicos como relaciones lineales y el error mínimo cuadrado, luego te mostraremos cómo estos conceptos se pueden aplicar a modelos de regresión univariados, multivariados y no lineales. A partir de ahí, revisaremos métricas de diagnóstico comunes como el R-cuadrado, el error medio, la significancia F y los valores P, junto con conceptos importantes como la homocedasticidad y la multicolinealidad.

Por último, pero no menos importante, nos sumergiremos en el pronóstico de series temporales y exploraremos técnicas poderosas para identificar estacionalidad, predecir tendencias no lineales y medir el impacto de decisiones empresariales clave mediante el análisis de intervención:

Sección 1:

Introducción a la Regresión Panorama del Aprendizaje Supervisado Regresión vs Clasificación Ingeniería de características Sobreajuste y Subajuste Predicción vs. Análisis de Causa Raíz Sección 2:

Modelado de Regresión 101 Relaciones Lineales Error Cuadrado Mínimo (SSE) Regresión Univariada Regresión Multivariada Transformación No Lineal Sección 3:

Diagnósticos del Modelo R-Cuadrado Métricas de Error Medio (MSE, MAE, MAPE) Hipótesis Nula Significancia F Valores T y Valores P Homocedasticidad Multicolinealidad Sección 4:

Pronóstico de Series Temporales Estacionalidad Función de Autocorrelación (ACF) Tendencias Lineales Modelos No Lineales (Gompertz) Análisis de Intervención A lo largo del curso introduciremos estudios de caso prácticos para consolidar los conceptos clave y relacionarlos con escenarios del mundo real.

Verás cómo se puede usar el análisis de regresión para estimar precios de propiedades, prever tendencias estacionales, predecir ventas para un nuevo lanzamiento de producto e incluso medir el impacto empresarial de un nuevo diseño de sitio web. ¡Si estás listo para construir la base para una carrera exitosa en Ciencia de Datos, este es el curso para ti! __________ Únete hoy y obtén acceso inmediato y de por vida a lo siguiente:

Video de alta calidad bajo demanda Libro electrónico de Aprendizaje Automático:

Regresión y Pronóstico Archivo de proyecto de Excel descargable Foro de expertos de preguntas y respuestas Garantía de devolución de dinero de 30 días ¡Feliz aprendizaje! - Josh M. (Instructor principal de Aprendizaje Automático, Maven Analytics) __________ ¿Buscas nuestro conjunto completo de inteligencia empresarial?

Busca "Maven Analytics" para explorar nuestra biblioteca completa de cursos, incluyendo cursos de Excel, Power BI, MySQL y Tableau. ¡Mira por qué nuestros cursos están entre los MEJOR CALIFICADOS en Udemy! "Algunos de los MEJORES cursos que he tomado.

He estudiado varios lenguajes de programación, Excel, VBA y desarrollo web, y Maven está entre los mejores que he visto." Russ C. "Este es mi cuarto curso de Maven Analytics y mi cuarta reseña de 5 estrellas, así que me estoy quedando sin cosas por decir. ¡Desearía que Maven hubiera estado en mi vida antes!" Tatsiana M. "Maven Analytics debería convertirse en el nuevo estándar para todos los cursos impartidos en Udemy!" Jonah M.

Programa de estudio

• 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

---

Enseñado por

Maven Analytics and Joshua MacCarty

---

Asignaturas

Ciencia de datos