Programa Internacional de Ciencia de Datos

El objetivo del presente programa es formar especialistas en ciencia de datos con capacidad para formular nuevas preguntas e implementar soluciones de alta tecnología que permitan tomar mejores decisiones. Al finalizar el programa el graduado tendrá los elementos necesarios para realizar Data Science: desde desarrollar visualizaciones o aplicaciones exploratorias utilizando herramientas como las shiny apps; conocerá cómo obtener información desde bases de datos relacionales (como Microsoft SQL o MySQL) de forma efectiva y tendrá las destrezas fundamentales para desarrollar scripts en R o Python con el objetivo de realizar análisis exploratorios, descriptivos, modelos lineales o aplicar Statistical, Machine o Deep learning a los problemas comunes que afrontamos en nuestra labor diaria.

La toma de decisiones basadas en datos es una tendencia mundial, al punto que en todo ámbito se resalta la importancia del Data Scientist, conocido como la persona con habilidades estadísticas, computacionales (puede programar) y de visualización de datos que lo llevan a encontrar los patrones que le servirán a la empresa para “capitalizar” la información recogida.

El programa internacional de ciencia de datos va dirigido a todo el que maneje información dentro de la empresa u organización, como:

  • Jefes o analistas de departamentos de inteligencia de negocios, Ciencia de datos, Analítica, Estadística, Big Data, Planificación de Demanda, Información
  • Analistas comerciales, analistas de mercado, analistas de marketing, analistas de abastecimiento, etc.

El programa es casi autocontenido puesto que empezamos desde lo más básico que es instalar el programa e importar los datos.

Requisitos mínimos: Conocimiento básico de matemáticas, habilidad para manejar herramientas como excel y experiencia previa con programación (macros de excel o C++, etc)

Contenido:

  1. Bases de estadística y R para Ciencia de datos
  2. Bases de Python para Ciencia de datos
  3. Reducción de dimensiones
  4. Clustering y descubrimiento de patrones
  5. Desarrollo de Caso de Aprendizaje no supervisado con R
  6. Desarrollo de Caso de Aprendizajeno supervisadocon Python
  7. Introducción a Modelos lineales bajo el enfoque Data Science
  8. Statistical learning: Modelos No Paramétricos
  9. Statistical learning: Modelos Bayesianos
  10. Machine learning
  11. Inteligencia Artificial usando Redes neuronales
  12. Inteligencia Artificial: Visión por Computadora usando Deep Learning
  13. Inteligencia Artificial: Procesamiento del lenguaje natural usando Deep Learning
  14. Taller de comunicación de Resultados
  15. Proyecto Final