HERRAMIENTAS

Estas son algunas de las técnicas de Data Science y Machine Learning que aplicamos a los datos disponibles

Algoritmos

Usamos un amplio espectro de algoritmos para modelizar los problemas a resolver. Algunos ejemplos:

Redes Neuronales

Modelo basado en imitar las neuronas cerebrales. Se definen un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí y la información atraviesa la red neuronal produciendo unos valores de salida.

Cluster Analysis

Modelos estadísticos de agrupación de observaciones a partir de la detección de patrones de comportamiento similares

Algoritmos Genéticos

Modelización resultante de procesos iterativos a partir de un conjunto de condiciones restrictivas a la solución

SVM (Support-Vector Machine)

Modelos de aprendizaje supervisado utilizados para los análisis de clasificación y regresión

PCA (Análisis de Componentes Principales)

Técnica usada en el análisis exploratorio de datos y en los modelos predictivos.

Gradient Boosting

Modelo para regresión y clasificación que produce un modelo predictivo en forma normalmente de árboles de decisión.

Técnicas

Usamos una amplia variedad de técnicas de análisis de datos. Entre ellas podemos destacar:

Data Visualization

Dashboards para reporting y exploración de datos

Feature Engineering

Establecimiento de nuevas variables compuestas a partir de raw data para ser usadas como input de los modelos.

Data Augmentation

Incremento de datos a partir de variaciones sobre un set de datos existente

Data Enrichment

Ampliación de datos, conexión entre BBDD propias de la organización y BBDD de open data o proveedores externos.

Data Wrangling

Higiene de datos y uniformización para posterior tratamiento estadístico.

Suscríbete a nuestra newsletter

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.