Análisis de Datos de Telecomunicaciones con Python

Capacitación InCompany

Duración: 60 hs

Cantidad de clases: 15

Módulo 1:

Análisis de Series Temporales Multivariantes
Revisión de las estructuras ‘DataFrames’ en Pandas usando Python para el almacenamiento de series temporales multivariantes.
Métodos de análisis y predicción de series temporales multivariantes.
Revisión de los modelos auto-regresivos.
Autorregresión vectorial (Vector Autoregression o VAR).
Redes neuronales recurrentes (RRN): Long short-term memory (LSTM).
Evaluación y corrección de errores. Aplicaciones y casos de uso.

Módulo 2:
Análisis de Datos a través de Aprendizaje Supervisado Conceptos generales del aprendizaje automático y las diferencias entre las diferentes técnicas.
Introducción al Aprendizaje Supervisado y sus aplicaciones: Regresión, Clasificación y Regresión.
Modelos de Aprendizaje Supervisado: Logistic Regression (LR), Linear Discriminant Analysis (LDA), K-Nearest Neighbors (KNN), Classification and Regression Trees (CART), Gaussian Naive Bayes (NB), y Support Vector Machines (SVM).
Aplicaciones y casos de uso.

Módulo 3:
Análisis de Datos a través de Aprendizaje No-supervisado Introducción al Aprendizaje No-supervisado y sus aplicaciones: agrupamiento (clustering) y asociación.
Modelos de Aprendizaje No-supervisado: Affinity Propagation, Agglomerative Clustering, BIRCH, DBSCAN, K-Means, Mini-Batch K-Means, Mean Shift, OPTICS, Spectral Clustering, Mixture of Gaussians, y Principal component analysis (PCA).
Aplicaciones y casos de uso.

Módulo 4:
Análisis de Datos a través de Aprendizaje Semi-supervisado Conceptos generales del Aprendizaje Semi-supervisado.
Análisis del etiquetado de datos.
Algoritmos heurísticos: self-training, co-training, etc.
Algoritmos basados en modelos generativos.
Algoritmos basados en grafos.
Aplicaciones y casos de uso.

Módulo 5:
Análisis de Datos a través de Aprendizaje por Refuerzo Conceptos generales del Aprendizaje por Refuerzo.
Introducción a los Procesos de Decisión de Markov. (MDP, Markov Decision Process).
Construcción de un modelo basado en MDP.
Análisis analítico y por simulación. Programación dinámica y Q-learning.
Evaluación de los resultados.
Aplicaciones y casos de uso.

Módulo 6:
Taller de Desarrollo de Proyecto Aplicado Estudio de proyectos vinculados al sector de las telecomunicaciones.
Análisis de los datos disponibles para potenciales casos.
Formulación del problema y resultados esperados.
Selección de técnicas de análisis de los datos, y de los modelos específicos.
Implementación del caso en código Python.
Evaluación y discusión de los resultados.

via email: lcd@fcefyn.unc.edu.ar