EMAGISTER CUM LAUDE
¡9% de ahorro!
Universidad de los Andes Educación Continua

Curso Machine Learning para Business intelligence

Universidad de los Andes Educación Continua
En Bogotá
Descuento por inscripción anticipada

$2.167.000 $1.970.000
¿O prefieres llamar directamente al centro?

Información importante

Tipología Curso
Lugar Bogotá
Horas lectivas 27h
Duración 4 Semanas
Inicio 26/03/2020
  • Curso
  • Bogotá
  • 27h
  • Duración:
    4 Semanas
  • Inicio:
    26/03/2020
Descripción

Este curso trata las metodologías más famosas de machine learning (aprendizaje de máquinas) y sus aplicaciones orientadas a business intelligence. Se va a cubrir la teoría y el código en Python de cada una de las técnicas estudiadas, entre las cuales se encuentran análisis supervisado, no supervisado, introducción a aprendizaje profundo y, finalmente, desarrollo de aplicaciones para el despliegue de resultados en Dash. Se enfatizará en el análisis de los resultados obtenidos en cada modelo, técnicas tradicionales para mejorar su desempeño y comprensión de supuestos para hacer conclusiones acertadas sobre el negocio en cuestión. Al final de este curso los estudiantes podrán desarrollar proyectos de principio a fin de ciencia de datos, desde la formulación de preguntas, limpieza de datos, modelación, extracción de patrones en los datos, y generación de reportes y creación de simples aplicaciones.

Información importante

Earlybird: $ 2.167.000 hasta el 22 de marzo de 2020 $ 1.970.000 hasta el 11 de marzo de 2020

Instalaciones (1) y fechas
Dónde se imparte y en qué fechas

Ubicación

Inicio

Bogotá
Ver mapa

Inicio

26 mar 2020Matrícula abierta

A tener en cuenta

· ¿Cuáles son los objetivos de este curso?

Enseñar a los conceptos básicos de Machine Learning. Familiarizar a los estudiantes con Python y sus paquetes más famosos para la analítica. Repasar los tipos de problemas y sus soluciones a partir de Machine Learning Familiarizar a los estudiantes con la interpretación de resultados y los supuestos de cada modelo. Enseñar la aplicación de los modelos más famosos de Machine Learning en Python. Orientar los temas comprendidos en el curso a aplicaciones de BI.

· ¿A quién va dirigido?

El curso está dirigido a personas que deseen desarrollar y aprender habilidades analíticas a partir de modelos de aprendizaje estadístico, en particular los analistas que estén en contacto con los datos de sus organizaciones. Se espera que los estudiantes se familiaricen y mejoren sus habilidades en Python. Se espera que el curso sea tomado por personas en el entorno laboral que deseen generar un impacto positivo en sus organizaciones por medio de generación de valor agregado a partir de técnicas de Machine Learning. Por último, el curso les dará las herramientas necesarias para desarrollar proyectos de ciencia de datos dentro de sus respectivas organizaciones, llegando a crear y responder preguntas que le aporten al futuras acciones y decisiones de sus empresas. Los temas del curso cubren desde la realización de las preguntas interesantes de analítica, pasando por su desarrollo y finalmente el despliegue a través de creación de reportes y aplicaciones.

· ¿Qué distingue a este curso de los demás?

El curso se realizará en salas habilitadas para el uso de computadores y cada sesión estará dividida en dos módulos. A su vez, cada módulo estará dividido en dos partes, durante la primera parte de cada módulo el profesor introducirá la teoría e interpretabilidad de cada modelo. Posteriormente, en la segunda parte de la clase los estudiantes trabajaran en Python para desarrollar los temas enseñados en la primera parte, aplicados a un tema relacionado a business intelligence (segmentación de clientes, retención de afiliados, procesos operativos, ...).

· ¿Qué pasará luego de pedir información?

El centro se pondrá en contacto contigo una vez envíes tus datos a través del formulario

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

¿Quién quieres que te responda?

Sólo publicaremos tu nombre y pregunta

Logros de este Centro

2019

¿Cómo se consigue el sello CUM LAUDE?

Todos los cursos están actualizados

La valoración media es superior a 3,7

Más de 50 opiniones en los últimos 12 meses

Este centro lleva 10 años en Emagister.

¿Qué aprendes en este curso?

Business Intelligence
Python
Visualización
Estructuración
ANALISIS
Tipos de datos
Teoría de la visualización
Álgebra lineal
Gráficos
Métricas

Programa académico

CONTENIDO

Sesión 1: Conceptos estadísticos introductorios a Machine Learning

  • Análisis multivariado.
  • Análisis descriptivo.
  • Álgebra Lineal.
  • Probabilidad y estadística.

Sesión 2: Visualización, estructuración y preprocesamiento de datos

  • Tipos de datos.
  • Tratamiento de datos estructurados y no estructurados.
  • Limpieza e imputación de datos.
  • Teoría de visualización.
  • Tipos de gráficos.
  • Matplotlib y Plotly.

Sesión 3: Modelos de regresión y clasificación

  • Mínimos cuadrados ordinarios.
  • Regresión polinomial.
  • Árboles de regresión.
  • Métricas de evaluación: R-cuadrado, MSE, MAPE.
  • Regresión Logística.
  • Linear Discriminant Analysis.
  • Regularización L1 y L2.

Sesión 4: Modelos de Clasificación

  • K-Vecinos más cercanos.
  • SVM.
  • Árboles de clasificación.
  • Random Forest.
  • Boosting de árboles.
  • Métricas de evaluación: curva ROC, exactitud, precisión, sensibilidad, puntaje F1.

Sesión 5: Análisis no supervisado

  • Técnicas de reducción de dimensionalidad (PCA, MCA, ...).
  • Detección de anomalías (Mixturas Gaussianas, One-class SVM, Isolation trees).
  • Reglas de asociación.
  • Análisis de clústeres.

Sesión 6: Series de tiempo

  • Análisis de componentes (tendencias, estacionalidades, estacionariedad, ...).
  • Indicadores de análisis técnico.
  • Modelos de pronósticos.

Sesión 7: Minería de texto

  • Procesamiento de textos.
  • Expresiones regulares (regex).
  • Análisis descriptivo de textos.
  • Matriz término-documentos.
  • Modelos de tópicos (Latent Dirichlet Allocation).
  • Análisis de sentimiento.
  • Modelos de clasificación a partir de textos.

Sesión 8: Introducción a Deep Learning

  • Introducción a Redes Neuronales.
  • Algoritmo de Backpropagation.
  • Optimizadores (Gradiente descendiente y estocástico, Adam, ...).
  • Redes Convolucionales.
  • Redes Recurrentes.

Sesión 9: DASH

  • Creación de aplicaciones interactivas y despliegue de lo visto en el curso en Python.