Científico de Datos de Transformación Digital Examen

Se cubren los siguientes temas principales:

• Análisis exploratorio de datos, estadísticas esenciales, incluyendo las categorías de variables y las matemáticas relevantes
• Análisis de estadísticas, incluyendo descriptiva, inferencial, covarianza, prueba de hipótesis, etc.
• Medidas de variación o dispersión, rango intercuartil y valores atípicos, puntuación Z, etc.
• Probabilidad, frecuencia, estimadores estadísticos, intervalo de confianza, etc.
• Variables y notaciones matemáticas básicas, medidas estadísticas e inferencia estadística
• Análisis confirmatorio de datos (CDA)
• Discretización de datos, Binning y agrupamiento
• Técnicas de visualización, incluyendo gráfica de barra, gráfica de línea, histrograma, polígonos de frecuencia, etc.
• Regresión lineal de predicción, error cuadrático medio y coeficiente de determinación R2, etc.
• Resúmenes numéricos, modelización, evaluación de modelos, ajuste de modelos y sobreajuste de modelos
• Modelos estadísticos, medidas de evaluación de modelos
• Validación cruzada, varianza del sesgo, matriz de confusión y puntuación F
• Reglas de asociación y algoritmo apriori
• Reducción de datos, selección dimensional de características
• Extracción de características, discretización de datos (Binning y agrupamiento)
• Paramétrico versus no paramétrico, agrupamiento versus no agrupamiento
• Basado en distancia, supervisado versus semisupervisado
• Regresión lineal y regresión logística para Big Data
• Regresión de logísticas, Naïve Bayes, Suavizado de Laplace, etc.
• Árboles de decisiones para Big Data
• Identificación de patrones, reglas de asociación, algoritmo apriori
• Análisis de series temporales, tendencia, estacionalidad, K vecinos cercanos (kNN), K-medias
• Analíticas de textos para Big Data y detección de atípicos para Big Data
• Técnicas de estadísticas, basadas en distancia, supervisadas y semisupervisadas

Se cubren los siguientes temas principales:

• Patrones de exploración de datos
• Cálculo de tendencia central, cálculo de variabilidad
• Cálculo de asociatividad, cálculo de resumen gráfico
• Patrones de reducción de datos
• Selección de características, extracción de características
• Patrones de manipulación de datos
• Imputación de características, codificación de características
• Discretización de características, estandarización de características
• Patrones de aprendizaje supervisado
• Predicción numérica, predicción de categorías
• Patrones de aprendizaje no supervisado
• Descubrimiento de categorías, descubrimiento de patrones
• Patrones de evaluación de modelos, modelado de referencia
• Evaluación del desempeño de entrenamiento, evaluación del
• desempeño de predicción
• Patrones de optimización de modelos
• Aprendizaje conjunto, Reentrenamiento frecuente del modelo
• Implementación de modelos ligeros, aprendizaje incremental del modelo

Se cubren los siguientes temas principales:

• Patrones de manipulación de datos para preparar los datos para la entrada de la red neuronal
• Codificación de características para convertir características categóricas
• Imputación de características para inferir valores de las características
• Escalamiento de características para conjuntos de datos de entrenamiento con características amplias
• Representación de textos para convertir datos preservando las propiedades semánticas y de sintaxis
• Reducción de la dimensionalidad para reducir el espacio de características para la entrada de la red neuronal
• Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales
• Configuración de redes supervisadas para establecer el número de neuronas en las capas de la red
• Identificación de imágenes para usar una red neuronal convolucional
• Identificación de secuencias para usar una red neuronal de memoria de corto/largo plazo
• Patrones de aprendizaje no supervisado para el entrenamiento de modelos de redes neuronales
• Identificación de patrones para identificar visualmente patrones mediante un mapa autoorganizado
• Filtrado de contenidos para generar recomendaciones Patrones de evaluación de modelos para medir el desempeño de las redes neuronales
• Evaluación del desempeño de entrenamiento para evaluar el desempeño de las redes neuronales
• Evaluación del desempeño de predicción para predecir el desempeño de las redes neuronales en la producción
• Modelado de referencia para evaluar y comparar redes neuronales complejas
• Patrones de optimización de modelos para refinar y adaptar redes neuronales
• Evitar el sobreajuste para ajustar una red neuronal
• Reentrenamiento frecuente del modelo para mantener una red neuronal en sincronía con los datos actuales
• Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales