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!
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:
Comprender el ciclo de vida de modelos de ciencia de datos
Aplicar técnicas estadísticas para el análisis de datos estructurados
Identificar relaciones entre variables con modelos supervisados
Analizar patrones de comportamiento con modelos no supervisados
Toma de decisiones estratégicas en base de herramientas de BI
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, 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