Cursos

OFERTA EDUCATIVA

Modelos Estadísticos para Ciencia de Datos

Información General

Se presentan las principales técnicas y modelos utilizados para atacar problemas clásicos tanto de aprendizaje supervisado como no supervisado

Contrastar los principales modelos estándar de aprendizaje automático y reconocer el tipo de situaciones en los que resulta más apropiado un modelo u otro.

Aplicarás los modelos estándar de aprendizaje automático dado un problema específico, e interpretarás los resultados obtenidos de dicha aplicación.

Identificarás en qué contexto se requeriría de su aplicación para la mejor obtención de información para la toma de decisiones.

Duración: 48 horas

Proceso de Admisión

1.

Contacta con un asesor
Conoce nuestras instalaciones

2.

Realiza el pago de tu proceso de admisión
Redacta tu carta motivos, presenta tu examen y asiste a tu entrevista

3.

Completa tu documentación
Realiza el pago de tu inscripción

Requisitos

Computadora portátil con 8 GB en memoria RAM; y Windows 10. Además, de espacio suficiente en el disco duro para descargar aplicaciones cuando sea requerido.

Perfil del Alumno

A todo profesional en las diversas áreas del conocimiento interesado en adquirir los conocimientos y habilidades necesarios para el análisis de información aplicando modelos estadísticos a través del uso del aprendizaje automático.

Es deseable que el profesionista posea:

  • Conocimientos avanzados en álgebra, probabilidad y estadística
  • Habilidades avanzadas de programación en Python
  • Conocimientos intermedios en SQL

Al finalizar: 

Formularás los elementos a considerar en el proceso de toma de decisiones estratégicas basadas en datos.

Elegirás el modelo apropiado para sustentar la toma de decisiones.

Implementarás el modelo elegido en caso de ser un modelo estándar, o identificar la información requerida para su uso en un modelo avanzado.

Administrarás el proceso de toma de decisiones, desde su diseño técnico hasta su implementación comercial.

TEMARIO

Tema 1.- Aprendizaje Automático (Machine Learning) 

  • Introducción al aprendizaje automático
    1. Ejemplos clásicos de aprendizaje supervisado
    2. Ejemplos clásicos de aprendizaje no supervisado
  • Preparación de una base de datos para modelar
    1. Separación entre base de entrenamiento, ajuste y pruebas
    2. Tratamiento de datos categóricos
    3. Ingeniería de atributos
  • Aprendizaje supervisado
    1. Regresión lineal y múltiple
    2. Modelos de clasificación
    3. Modelos de árboles de decisión
    4. Modelos avanzados de clasificación (random forest, bagging & boosting, máquinas de soporte vectorial)
    5. Problemas comunes y mejores prácticas con modelos de aprendizaje supervisado
  • Aprendizaje no supervisado
    1. Segmentación
    2. Reducción dimensional
    3. Modelos avanzados de aprendizaje no supervisado
  • Modelos avanzados de aprendizaje automático
    1. Redes neuronales
    2. Sistemas de recomendación
    3. Inteligencia artificial
    4. Procesamiento de lenguaje natural

 

Tema 2.- Toma de decisiones estratégicas basadas en ciencia de datos

  1. Elementos a considerar en la toma de decisiones
  2. Priorización para decisiones estratégicas
  3. Impactos sociales en la toma de decisiones
  4. Ejemplos prácticos de toma de decisiones estratégicas

Solicita más información sobre nuestros programas educativos