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.
¡Domina el diseño de modelos predictivos con Machine Learning y crea dashboards de alto impacto!
Modalidad: Transmisión en vivo vía Microsoft Teams
Docentes, gerentes y ejecutivos con experiencia real
Metodología de aprendizaje moderna
Proyecto integrador: Aplicación práctica
Cursos online gratuitos:
- SQL Server Online, Python y Habilidades para el empleo
¿Qué aprenderás en el curso?
A nombre de WE Educación Ejecutiva con 30 horas académicas, avalado por IBM® Partner world.
Tecnología para toma de decisiones: Business intelligence, analytics, machine learning e IA
Ramas de la estadística, tipos de variables, medidas de posición y dispersión
Ciclo de vida de modelos analíticos
Metodología analítica: SEMMA - CRIPS DM
Importación de bases de datos: JSON, Excel, SPSS, CSV en Python
Caso 1: Analizando medidas de dispersión en datos empresariales
Caso 2: Aplicación de metodología CRIPS DM en empresas
Taller 1: Gestión de bases de datos en Python
Estadística y análisis exploratorio de datos
Probabilidad y estadística en ciencia de datos
Métodos de balanceo de datos
Técnicas de selección y análisis de variables
Principales algoritmos de clasificación y regresión
Caso 1: Integrando proceso de análisis exploratorio de datos
Caso 2: Aplicando modelos estadísticos en Data empresarial
Taller 2: Elaborando un diagnóstico de datos en un caso de negocio
Análisis exploratorio de datos estructurados
Tratamiento de datos para tipos de variables
Métodos y técnicas de inferencia estadística
Detección de valores atípicos
Modelos de regresión: lineal y no lineal
Caso 1: Identificando características de datos estructurados
Caso 2: Identificando relaciones aplicando modelos de regresión
Taller 3: Aplicación de análisis exploratorio en un caso de negocio
Modelos de regresión: Paramétrico y no paramétrico
Regresión lineal: Modelos y aplicaciones
Modelo de árboles de clasificación
Métricas para evaluación de modelos supervisados
Búsqueda de recomendaciones óptimas para la toma de decisiones
Caso 1: Descubriendo patrones y tendencias en bases de datos
Caso 2: Aplicando modelo de regresión lineal múltiple
Taller 4: Identificando relaciones críticas en tu modelo de datos
Introducción a modelos no supervisados
Modelo de Clustering
Selección de variables: Features selection
Método de reducción de dimensiones (PCA)
RFM: Análisis para segmentación de usuarios
Caso 1: Elaboración de subconjuntos mediante clustering
Caso 2: Cómo identificar a mis usuarios potenciales
Taller 5: Identificando relaciones entre datos estructurados
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 y 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

