Volver a Cursos

Modelos de Machine Learning con AnyLogic

2 horas
Integración de la biblioteca pypeline Clasificación KNN en simulación Flujo de trabajo Python-AnyLogic

Descripción del Curso

Esta sesión enseña cómo integrar modelos de Machine Learning (ML) con AnyLogic para enriquecer escenarios de simulación. Usando un ejemplo del sector salud, los participantes construirán un clasificador KNN en Python para predecir condiciones de salud de pacientes e integrarlo con una simulación de AnyLogic usando la biblioteca pypeline.

Objetivos

  • Comprender cómo integrar modelos de ML con AnyLogic para propósitos de simulación
  • Usar la biblioteca pypeline de Python dentro de AnyLogic para trabajar con modelos de ML
  • Aplicar un modelo K-Nearest Neighbors (KNN) para predecir condiciones de salud basadas en indicadores
  • Almacenar y recuperar modelos usando pickle y manejar datos con pandas
  • Explorar aplicaciones de ML en simulación de salud para predicción de resultados de pacientes

Prerrequisitos

Python

  • Conocimiento intermedio incluyendo pandas, funciones, sklearn, manejo de datos

AnyLogic

  • Functions, Discrete Events, funciones lambda

Machine Learning

  • Escalado de datos, K-Nearest Neighbors, conceptos de modelos de clasificación

Temas Cubiertos

1. Introducción a ML para AnyLogic

  • Panorama de las capacidades de simulación de AnyLogic
  • Beneficios de integrar modelos de ML en simulación (contexto de salud)

2. La Biblioteca pypeline

  • Introducción a pypeline para ejecutar modelos de ML en Python dentro de AnyLogic
  • Arquitectura: conexión de código Python con modelos de simulación de AnyLogic

3. Modelo K-Nearest Neighbors (KNN)

  • Construcción del modelo KNN en Python
  • Características: frecuencia cardíaca, presión sistólica, nivel de colesterol, estado de diabetes
  • Preparación del conjunto de datos con pandas

4. Entrenamiento e Integración del Modelo

  • Entrenamiento del modelo KNN con datos de salud
  • Guardar y cargar modelos entrenados usando pickle
  • Integración del modelo KNN en AnyLogic usando pypeline

5. Simulación de Escenarios de Salud

  • Ejecución de la simulación para predecir condiciones de salud
  • Interpretación de resultados de simulación y predicciones de ML

6. Ejercicio Práctico

  • Paso a paso: predicción de condiciones de salud de pacientes en un hospital usando AnyLogic y KNN

Conocimientos Adquiridos

Al finalizar esta sesión, los participantes serán capaces de:

  • Integrar un modelo de Machine Learning en una simulación de AnyLogic
  • Implementar la biblioteca pypeline para ejecutar modelos basados en Python dentro de AnyLogic
  • Entrenar, guardar y cargar modelos de ML con pickle
  • Usar pandas para el preprocesamiento de datos en flujos de trabajo de ML-simulación
  • Aplicar ML para predecir resultados dentro de un contexto de simulación

Próximos Pasos

  • Escribir y ejecutar scripts de Python directamente en AnyLogic sin archivos externos

¿Te interesa este curso?

Contáctanos