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.
¡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
LEADER DATA SCIENTIST en TOTTUS
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.
Data Scientist en INTERBANK
Especialista en Data Science e Ingeniera Industrial de la PUCP con formación en Data Science with Python en DataCamp. Ejecutiva con más de 7 años de experiencia enfocada en el análisis de negocio, toma de decisiones, diseño de estrategias y solución de problemas en empresas como KPMG, PUCP, TASA, entre otras.
A nombre de WE Educación Ejecutiva con 30 horas académicas, IBM® Partner World.
A nombre de WE Educación Ejecutiva con 30 horas académicas, avalado por IBM ® Partner World
a nombre de WE Educación Ejecutiva con 60 horas académicas, avalado por IBM ® Partner World
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