Estudiante: Modalidad para estudiantes pre-grado universitarios o institutos. Adjuntar foto de carnet vigente o boleta de matrícula.
Estudiante: Modalidad para estudiantes pre-grado universitarios o institutos. Adjuntar foto de carnet vigente o boleta de matrícula.
¡Gestiona datos, aplica modelos supervisados y no supervisados, y toma decisiones estratégicas con Business Intelligence!
Duración: 06 Sesiones
Modalidad: Transmisión en vivo vía Microsoft Teams
¿Qué aprenderás en el curso?
En nuestro curso de Data Science con Machine Learning, desde cero, lograrás:
Analizar bases de información con técnicas de procesamiento de datos
Gestionar efectivamente bases de datos para el análisis estadístico
Aplicar modelos supervisados para la toma de decisiones
Aplicar conocimientos sobre algoritmos en modelos no supervisados
Tomar decisiones estratégicas en base a herramientas de Business Intelligence
Beneficios del curso
Metodología de Aprendizaje moderna con casos reales, talleres aplicativos y proyecto integrador
Actualízate y potencia tus habilidades en corto tiempo
Desarrollo y seguimiento de tu Proyecto Integrador por tu docente
Cursos online gratuitos con acceso ilimitado para complementar tu aprendizaje
- Introducción: Python Online
- Aprendizaje Integral: SQL Server y Looker Studio
- Formación Profesional: Habilidades para el Empleo
Acceso a la bolsa de trabajo
Garantía de aprendizaje: Si durante el programa tienes alguna disconformidad, te reasignaremos a un nuevo inicio
Docentes
Gerente de Data & Analytics en MISD Solutions
Especialista en Business Analytics and Statistical Engineer. Ingeniero Estadístico con Especialización en Data Mining por Los Andes University. Experiencia liderando equipos de Data Science con alto impacto en el negocio. Profesional con experiencia en áreas de Business Analytics, analytical CRM y transformación digital en empresas como INTERBANK, ENTEL, PERUSTAT, entre otras.
A nombre de WE Educación Ejecutiva con 30 horas académicas, IBM® Partner World.
Tecnologías para toma de decisiones: Business Intelligence, Analytics, Machine Learning e IA
Ciclo de vida de Modelos Analíticos - El rol de Data Scientist en las empresas
Metodologías analíticas: SEMMA - CRIPS DM
Data Acquisition, Wrangling y Web Scrapping en Python
Importación de Bases de Datos: JSON, Excel, SPSS,CSV en Python
Caso 1: Aplicación de Metodología CRIPS DM en empresas
Caso 2: Analizando información obtenida de sitios web con Pandas
Taller 1: Gestión de Bases de Datos en Python
Ramas de la Estadística, Tipos de Variables, Medidas de posición y dispersión
Análisis Exploratorio de Datos Estructurados y Visualización de Datos
Métodos y Técnicas de Inferencia Estadística
Modelos de Regresión: lineal y no lineal
Caso 1: Identificando características de Datos Estructurados
Caso 2: Identificando relaciones entre variables aplicando Modelos de Regresión
Taller 2: Aplicación de Análisis Exploratorio en un caso de negocio
Principales técnicas de Tratamiento de Datos
Métodos de Balanceo de Datos
Técnicas de Selección y Análisis de variables
Modelos Analíticos para los negocios: Supervisado y No Supervisado
Principales Algoritmo de Clasificación y Regresión
Caso 1: Analizando información obtenida de Fuentes Externas
Caso 2: Aplicación de Modelos Estadísticos en Data Empresarial
Taller 3: Elaborando un Diagnóstico de Datos en un caso de negocio
Método de clustering: K - Means
Método de clustering DBScam
Modelo de asociación - Inmersión
Método de Reducción de Dimensión (PCA)
RFM: Análisis para Segmentación de Usuarios
Caso 1: Elaboración de subconjuntos mediante Clustering
Caso 2: Cómo identificar a mis Usuarios Potenciales
Taller 4: Identificando Relaciones entre Datos Estrcuturados
Modelos analíticos: Regresión y Clasificación binaria / multiclase
Algoritmos de clasificación: Árboles de Decisión y Random Forest
Algoritmos XGBoost y Catboost. Comparación de Algoritmos
Analítica de Textos y Procesamiento Leangua Natural
Caso 1: Diseño de un modelo de clasificación para toma de decisiones
Caso 2: Descubriendo Patrones y Tendencias en Bases de Datos
Taller 5: Analizando valores de Variables Críticas en Python
Evaluación de Modelos Analíticos
Implementación de Modelos Analíticos
Búsqueda de recomendaciones óptimas para la toma de decisiones
Diferencias entre Storytelling y "mostrar resultados"
Caso 1: Ventajas competitivas generadas por el Análisis Prescriptivo
Caso 2: Aplicación de Técnicas y Recomendaciones de Storytelling
Taller 6: Diseño de una Presentación de un caso real de negocio