Este curso le enseña cómo optimizar el rendimiento de los modelos de predicción más allá de los conceptos básicos. El curso continua con el desarrollo de modelos predictivos que comienza en el curso Análisis Aplicado con SAS Enterprise Miner, por ejemplo, usando el nodo two-stage. Además, se cubren algunos de los nodos de modelado más recientes y los últimos métodos de selección de variables. Se completa el curso con trucos para trabajar de forma más eficiente con SAS Enterprise Miner.

A quién va dirigido

Formatos disponibles	Duración
Presencial:	3.0 días
Live Web:	6 sesiones de medio día

Antes de realizar este curso se recomienda:

• haber realizado el curso Análisis Aplicado con SAS Enterprise Miner o tener experiencia equivalente
• tener alguna experiencia en crear y gestionar conjuntos de datos SAS, que puede obtener en el curso Programación SAS 1: Introducción
• tener alguna experiencia en crear modelos estadísticos con el software SAS/STAT
• haber completado un curso de estadística que cubra regresión lineal y regresión logística

Este curso utiliza SAS Enterprise Miner software.

• configuración de la predicción con SAS Enterprise Miner
• conceptos básicos de Predicción
• construir un modelo predictivo de árboles de decisión
• ejecutar el nodo de Regresión
• formación de una red neuronal
• comparación de Modelos con Estadísticas sumarizadas

• describir el análisis de componentes principales
• describir variables clustering

• explicar cómo usar la regresión de mínimos cuadrados parciales en SAS Enterprise
• utilizar de LAR/LASSO para la selección de variables

• implementación de recodificación de entrada categórica
• creación de diagramas logit empíricos
• implementación de la regresión de los subconjuntos

• describir los fundamentos de las máquinas vectoriales de soporte
• utilizar el nodo HP Forest en SAS Enterprise Miner para ajustar un modelo forest
• modelando eventos raros
• utilizar el nodo de inducción de reglas en SAS Enterprise Miner

• evaluar el rendimiento del modelo
• definir una Matriz generalizada de beneficio/perdida
• crear gráficos de evaluación generalizados
• utilizando el nodo “Two-Stage model”
• construcción de modelos de componentes

• uso del nodo de integración “Open Source”
• reutilización de la metadata
• importación y utilización de modelos externos(auto-estudio)