Curso actualmente no disponible

Machine Learning para Business intelligence (Grupo 2)

Curso

Virtual

$ 1.750.000 IVA inc.

¿Necesitas un coach de formación?

Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.

Descripción

  • Tipología

    Curso

  • Nivel

    Nivel intermedio

  • Metodología

    Virtual

  • Horas lectivas

    27h

  • Duración

    Flexible

  • Campus online

  • Servicio de consultas

  • Clases virtuales

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.  *Sin clase 30 de marzo y 1 de abril

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. Adicionalmente se recomienda tener conocimientos de álgebra lineal como saber qué es una matriz y nociones básicas de estadística como conocer la media, varianza, mediana.

El curso se realizará de manera virtual con sesiones sincrónicas. A su vez, en cada clase se realizarán ejercicios de código y se estudiará la intuición de lo realizado. Los ejercicios realizados estarán basados en experiencias reales de la industria. 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.   

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Logros de este Centro

2022
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 14 años en Emagister.

Materias

  • Python
  • Business Intelligence
  • Multivariado
  • Learning
  • Machine learning
  • Análisis multivariado
  • Análisis descriptivo
  • Estadística
  • Probabilidad
  • Preprocesamiento de datos
  • Tipos de datos

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.

¿Necesitas un coach de formación?

Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.

Machine Learning para Business intelligence (Grupo 2)

$ 1.750.000 IVA inc.