Machine Learning para Business intelligence

Curso

Virtual

$ 1.750.000 IVA inc.

Llama al centro

Descripción

  • Tipología

    Curso

  • Nivel

    Nivel intermedio

  • Metodología

    Virtual

  • Horas lectivas

    27h

  • Duración

    Flexible

  • Campus online

  • Servicio de consultas

  • Clases virtuales

En este curso se estudiarán las metodologías más famosas de machine learning (aprendizaje de máquinas) y sus aplicaciones orientadas a business intelligence. Se cubrirá 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.  ?????????????? Nota:  se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante.  El software que usará es Anaconda de Python 3. Las instrucciones de instalación serán remitidas al inicio del programa.

A tener en cuenta

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.  

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.   Importante: Se espera que los estudiantes tengan conocimientos básicos de programación en Python.

Certificado de participación

\

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

Sólo publicaremos tu nombre y pregunta

Logros de este Centro

2019

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 11 años en Emagister.

Materias

  • Business Intelligence
  • Python
  • Visualización
  • Estructuración
  • ANALISIS
  • Tipos de datos
  • Teoría de la visualización
  • Álgebra lineal
  • Métricas
  • Análisis de datos
  • Machine learning
  • Programación
  • Programación en Python

Profesores

Diego  Gutiérrez

Diego Gutiérrez

Docente

Físico con Opción en Matemáticas Aplicadas del Instituto Tecnológico de Illinois. Magíster en Física de la Universidad de Waterloo en Canadá, completando el diplomado Perimeter Scholars International en Física Teórica en el Instituto Perimeter de Física Teórica, donde hizo investigación en implementaciones de Modelos Generativos de Aprendizaje de Máquinas a mediciones simuladas de sistemas cuánticos, bajo la supervisión de profesorado del Instituto Perimeter y el Instituto Vector para Inteligencia Artificial en Canadá. Durante su pregrado trabajo en el Laboratorio Nacional de Argonne, EEUU.

Sebastian  Quintero

Sebastian Quintero

Docente

Físico de la Universidad Nacional de Colombia y se encuentra terminando su maestría allí mismo. También posee una MicroMaestria en Estadística y Ciencia de Datos de MIT. Fue ganador de las pruebas Efi-Ciencias 2016. En su trayecto como físico, ha trabajado principalmente sobre fenomenología en Cromodinámica cuántica y el estudio de Event Shapes. También se ha desempeñado como auxiliar docente en la misma universidad, dictando diferentes cursos tales como mecánica cuántica, oscilaciones y ondas, y fundamentos de electricidad y magnetismo. Recientemente se ha reenfocado a la ciencia de datos.

Programa académico

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 y 5: 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
6: 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 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.

Información adicional

El curso se realizará de manera virtual con sesiones sincrónicas y cada sesión estará dividida en dos módulos, los cuales a su vez estarán divididos 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, los estudiantes trabajarán en Python para desarrollar los temas aprendidos aplicándolos a un tema relacionado con business intelligence (segmentación de clientes, retención de afiliados, procesos operativos, entre otros). ??????????????

Nota:  se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante.  El software que usará es Anaconda de Python 3. Las instrucciones de instalación serán remitidas al inicio del programa.

Llama al centro

Machine Learning para Business intelligence

$ 1.750.000 IVA inc.