Especialización en Data Science

Docente: Especialistas en Data Science
Inicio
20 - Junio
Duración
12 sesiones
Martes - Jueves
7:00pm - 10:00pm

Estudiante: Modalidad para estudiantes pre-grado universitarios o institutos. Adjuntar foto de carnet vigente o boleta de matrícula.

¡Aprende los conceptos y técnicas para el diseño de algoritmos de Machine Learning para la toma efectiva de decisiones con Data Science!

  Duración: 12 Sesiones
  Modalidad: Transmisión en VIVO via Zoom

¿Qué aprenderás en ésta especialización?
En nuestra Especialización en Data Science, lograrás:
  Comprender el ciclo de vida de modelos en ciencia de datos
  Identificar relaciones entre variables con modelos supervisados
  Analizar patrones de comportamientos con modelos no supervisados
  Optimizar el análisis de los modelos de Machine Learning
  Conocer las principales aplicaciones de modelos de Deep Learning
  Aplicar modelos de ML para el procesamiento del lenguaje natural

Beneficios del programa
  Metodología de aprendizaje moderna con casos reales, talleres aplicativos y desarrollo de un proyecto integrador
  Todos los niveles: Básico, intermedio y avanzado
  Desarrollo y seguimiento de tu proyecto integrador, en cada módulo, por tu docente
  Cursos online gratuitos con acceso ilimitado para complementar tu aprendizaje
  - Introducción: Excel intermedio y Python online
  - Aprendizaje integral: SQL Server, Looker Studio y Power BI
  - Formación profesional: Habilidades para el empleo
  Acceso a un foro de consultas con la Comunidad WE en Discord
  Garantía de aprendizaje: Si durante el programa tienes alguna disconformidad, te reasignaremos a un nuevo inicio

Docentes

Certificación

Temario

Sesión 1: Tecnología para ciencia de datos

  • 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 en Pandas

  • Taller 1: Gestión de Bases de datos en Python

Sesión 2: Estadística para ciencia de datos con 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

Sesión 3: Modelos analíticos con Machine Learning

  • 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

Sesión 4: Machine Learning: Modelo no supervisado

  • 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 Estructurados

Sesión 5: Machine Learning: Modelo supervisado

  • 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 Lenguaje 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

Sesión 6: Análisis prescriptivo y toma de decisiones

  • 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

Sesión 1: Aplicaciones de Machine Learning en empresas

  • Aplicaciones de Machine Learning en las organizaciones

  • Paradigmas del Machine Learning

  • Principales algoritmos de Machine Learning

  • Data Aquisition, Wrangling y Web Scrapping en Python

  • Desarrollo y evaluación de modelos

  • Caso 1: Extracción de Datos con Data Wrangling

  • Caso 2: Introducción a repositorios en Git Hub

  • Taller 1: Evaluación de desempeño en modelos predictivos

Sesión 2: Machine Learning: Modelos Supervisados II

  • Implementación y evaluación de los modelos supervisados

  • Modelos analíticos: Regresión y Clasificación binaria

  • Algoritmos de clasificación: Árboles de decisión y Random Forest

  • Algoritmos XGBoost y CatBoost: Comparación de algoritmos

  • Caso 1: Técnicas de mejora de rendimiento de modelo

  • Caso 2: Ajuste de parámentros de modelos supervisados

  • Taller 2: Análisis y ajuste de variables críticas de modelo

Sesión 3: Machine Learning: Modelos no supervisados II

  • Método de clustering: K- Means

  • Método de clustering: DBScam

  • Modelo de asociación - Inmersión

  • Detección de anomalías en modelos no supervisados

  • Evaluación de desempeño de modelos en Clustering

  • Caso 1: Elaboración de subconjuntos mediante Clustering

  • Caso 2: Cómo identificar a mis usuarios potenciales

  • Taller 3: Identificando relaciones entre datos estructurados

Sesión 4: Análisis de datos con Deep Learning

  • ¿Por qué Deep Learning? Aplicaciones y usos

  • Modelos de Deep Learning

  • Redes neuronales convencionales y recurrentes

  • Deep Learning con TensorFlow

  • Construcción de una red neuronal artificial

  • Caso 1: Aplicaciones de modelos de Deep Learning

  • Caso 2: Diseño de una red neuronal

  • Taller 4: Análisis de tendencias en comportamiento de usuario

Sesión 5: Series de tiempo y sistemas de recomendación

  • Modelado de series de tiempo

  • Evaluación de modelos de series de tiempo

  • Aplicaciones anvanzadas de filtrado de datos

  • Sistemas de recomendación basado en contenido

  • Modelo Factorización Marcial: Matrix Factorization

  • Caso 1: Aplicaciones de series de tiempo en la industria

  • Caso 2: Análisis de aplicaciones en modelos de recomendación

  • Taller 5: Diseño e implementación de sistemas de recomendación

Sesión 6: IA para Data Science: Procesando Lenguaje

  • Procesamiento de lenguajes natural: casos de uso

  • Limpieza y depuración de textos

  • Aplicación de técnicas de procesamiento de lenguaje natural

  • Modelado de temas y aplicación de modelos supervisados

  • Caso 1: Clasificación de imágenes utilizando un conjunto de datos

  • Caso 2: Publicando tu modelo analítico en Git Hub

  • Taller 6: Optimizando el desempeño de tus modelos de ML

Proyecto integrador 

Data Science I
En este proyecto integrador diseñarás un modelo predictivo con técnicas de Machine Learning. Iniciarás integrando diversas fuentes para el análisis exploratorio de datos con técnicas estadísticas. Con ello, serás capaz de elaborar un diagnóstico de los datos para identificar patrones en su comportamiento con técnicas de Machine Learning empleando modelos supervisados y no supervisados.

Data Science II: Machine Learning
En este proyecto optimizarás el desempeño de tus modelos de Machine Learning. Iniciarás evaluando el funcionamiento de tus modelos de Machine Learning y ajustando tus variables y algoritmos supervisados y no supervisados. Además, podrás emplear modelos de Deep Learning para el procesamiento de datos no estructurados y elaborar sistemas de recomendación tu conjunto de datos.




Testimonios

Llevamos capacitando a más de 100.000 alumnos en 25 países. El 85% de nuestros egresados logra conseguir su primer empleo o ascenso profesional

 
 


¡Inscríbete en 3 pasos!
Sigue los pasos del tutorial e inscríbete en menos de 1 minuto

 
 

Campus virtual
Clases grabadas, material académico y acceso a todos tus programas


Garantía de aprendizaje
Si durante el programa tienes alguna disconformidad, te reasignaremos a un nuevo grupo de inicio



Preguntas Frecuentes

Si. Es 100% Seguro. Contamos con certificación de seguridad SSL® Verified de protección de datos a nivel mundial y nuestra pasarela es soportada por Culqi y respaldada por el Grupo Credicorp, el holding peruano más importante del país dueño del Banco BCP.
Si, estamos asociados a Pago Efectivo. Solo debes seleccionar esa opción en la pasarela de pagos y con el código que te facilitaremos puedes acercarte a cualquier agente o establecimiento de pago como Kasnet, Tambo, entre otros.
Si. Actualmente somos SAP Partner ® Open Ecosystem, Microsoft Partner Network, IBM ® Partner World, Person Vue ® Partner y contamos con el respaldo internacional del Centro Educativo Latinoamericano, el cual está avalado por la Florida Global University USA.
No. El monto de la cuota inicial es para reservar tu vacante, puedes revisar las modalidades y cuotas restantes en el brochure
En el caso de ser estudiante, puedes completar tu inscripción con los pasos que se indican en el brochure.
Al finalizar el curso, podras descargar tu certificado del Campus Virtual. Realizarás tu proyecto integrador y tus entregables serán calificados. Cuando apruebes el curso, se te emite la certificación para que lo descargues desde tu cuenta personal en el Campus Virtual. No te preocupes, tendrás hasta 03 intentos.
Las horas académicas totales certificadas es el resultado del tiempo que le tendrías que dedicar al curso, y es la suma de las horas de clases via zoom, las horas de práctica de los ejercicios, talleres/cursos online complementarios y las evaluaciones.
Si te inscribes via plataforma web, ya estarás inscrito automaticamente, de igual forma te enviaremos un mail confirmando tu inscripción. Inscripciones por otros medios de pago, de igual forma nos contactaremos para confirmar tu inscripción vía e-mail en un plazo no mayor a 24 horas.
Tu kit de inicio, que contempla: material académico, formatos, plantillas de trabajo, usuario y contraseña de acceso se envía 48 horas antes de la fecha de inicio del curso. Se te habilitará los accesos en tu cuenta del Campus Virtual
Si, realizamos capacitaciones InHouse e inscripciones corporativas a través de nuestra unidad WE for Business, puedes contactar una asesoría al WhatsApp: 979493060
WhatsApp