Solución de Problemas Multidisciplinarios con Minería de Datos (por Skype)

Objetivo:
Construir un modelo de decisión que permita emitir dictámenes sobre casos sin resolver, con base en lo que aprende una máquina durante el análisis de un número suficiente de casos resueltos, así como descubrir patrones, tendencias o indicios en el comportamiento de diversos grupos de datos, en función de sus propiedades.

Descripción General:
El instructor expone los temas del curso vía Skype, apoyándose  en la herramienta de software WEKA y un material didáctico de 6 módulos en formato PowerPoint. Tanto la operación de WEKA como el material didáctico, se cubren en varias sesiones prácticas de 2 horas, para que el participante aplique los
conocimientos adquiridos, inmediatamente después de iniciar el curso.

Beneficios esperados
1. Disminución de riesgos. Predecir eventos ayuda a enfrentar mejor una contingencia.
2. Prevenir enfermedades mejora la calidad de vida y reduce los gastos médicos.
3. Ahorro en salarios y gastos de mantenimiento y reparación (diagnóstico de fallas).
4. Disminuir la incertidumbre ayuda a tomar mejores decisiones y aumenta la competitividad.
5. La clasificación y la segmentación nos ayuda a decubrir el conocimiento aparentemente escondido en una gran cantidad de datos, eliminando la información irrelevante (la paja) que generalmente los acompaña.

Costo por una hora de instrucción: $650.00 (incluye la colaboración en línea del facilitador para el desarrollo de los temas y la aclaración de dudas).
Forma de Pago:
Opción 1 (para los participantes que radican en la República Mexicana): abono en cualquier tienda Oxxo, a la tarjeta No. 5579 0700 4261 9489 de Santander, o depósito en cuenta bancaria No. 60-56534785-8 del mismo banco, con clave interbancaria (CLABE) 014540605653478587.
Opción 2 (México y resto del mundo): envío vía PayPal a la cuenta educatecnica@hotmail.com
Opción 3 (descuentos por pronto pago): aplicar 15%, 25% o 35% de descuento, en caso de optar por una membresía de 4, 8 y 12 horas de instrucción, respectivamente.

Temario

Módulo 1: Aspectos clave de la minería de datos (data mining)

1.1 Definición y propósito de la minería de datos
1.2 Mapa mental del curso (pulse sobre la imagen)
1.3 Aprendizaje de máquina supervisado vs. no supervisado
1.4 Tres conceptos clave: clase, algoritmo y atributo
1.5 ¿Qué se entiende por modelo de decisión (clasificación)?
1.6 Diferencia entre la precisón y la confiabilidad de un modelo

1.7 Matriz de confusión: falsos positivos/negativos y verdaderos positivos/negativos
1.8 El coeficiente de Kappa y la raíz del error cuadrático medio

Módulo 2: El proceso KDD y el estándard CRISP-DM

2.1 Los cinco pasos del proceso KDD (pulse sobre la imagen para agrandarla)
2.2 La comprensión del dominio de la especialidad y los atributos
2.3 El preprocesamiento de los datos
2.4 Evaluación de modelos
2.5 La selección de atributos y el concepto de proxy
2.6 Optimización del modelo (calibración)
2.7 Datos de entrenamiento y de prueba
2.8 Validación cruzada y pruebas con datos exógenos
2.9 Selección del modelo óptimo

Módulo 3: Aprendizaje supervisado

3.1 Clasificación y predicción
3.2 La importancia del modelo predictivo en la prevención de enfermedades, robos, suicidios, fraudes, deserciones, epidemias y desastres en general.
3.3 Taller No. 1: Aplicación del proceso KDD a la fidelización de clientes.
Detección anticipada del por qué y del cuándo los clientes deciden cambiar de proveedor (pulse sobre la imagen para agrandarla).

Ojetivo del taller: Analizando los datos de una muestra de 3,300 casos, el participante construirá un modelo predictivo basado en aprendizaje supervisado, para reducir el riesgo de deserción de clientes.

Módulo 4: Minería de datos clínicos como apoyo en el diagnóstico médico

4.1 Taller No. 2: Diagnosticar una cardiopatía (una afección en el corazón) con el propósito de prevenir un infarto. Objetivo: ponderar la importancia de la detección de falsos negativos.
4.2 Taller No. 3: Diagnóstico de la esperanza de vida en pacientes que han contraído hepatitis. Objetivo: evitar al máximo que un paciente se rinda a consecuencia del efecto nocebo que un pronóstico médico pesimista puede producir.
4.3 ¿De verdad dio positivo a la diabetes?: la matriz de confusión y los falsos positivos
4.4 Aprendizaje de máquina no supervisado
4.5 La comprensión de los datos y su importancia en la segmentación (clustering)
4.6 El arte de descubrir tendencias: entendiendo el centroide
4.7 Identificación de fenotipos por segmentación: ¿un modelo de diagnóstico para la esquizofrenia?

Módulo 5: Estudio de un caso.

El conocimiento que se puede extraer con los datos del monitoreo de la calidad de la energía eléctrica (pulse sobre la imagen para agrandarla).
Objetivo:
Descubrir patrones en los datos de un sistema de distribución, que permitan detectar anomalías y anticipar eventos, a fin de mejorar la calidad de la energía eléctrica entregada.
Principales beneficios esperados:

-Ahorro en gastos de operación y mantenimiento
-Simplificación de informes y apoyo para el cálculo de indicadores y el establecimiento de políticas de distribución óptima de la energía

Módulo 6: Pronósticos deportivos
Objetivo: Evaluar las posibilidades de ganar, apostando a los
resultados de los partidos de fútbol.
6.1 Taller No. 4: Construcción de un modelo predictivo para determinar el resultado de las quinielas deportivas
6.2 Las limitaciones del aprendizaje supervisado
6.3 ¿Dónde está el proxy?
6.4 La inteligencia colectiva y el aprendizaje de máquina no supervisado
6.5 Cómo obtener las mejores quinielas con WEKA
6.6 Inteligencia artificial y colectiva aplicada a otros eventos deportivos
6.7 Reflexiones finales y conclusiones