Su carrito
Cerrar carrito
Especialización
37ma Edición
- Clases en vivo
- 80 Hrs. Acad.
- 20 sesiones
- Clases en vivo
- 80 Hrs. Acád. | 20 Sesiones
$279
Precio regular: $930
37ma Edición
Conocer, aprender, diseñar, implementar y comprender las distintas metodologías existentes de Machine Learning, Inteligencia Artificial y Deep Learning (redes neuronales: tensorflow y keras, técnicas de Web Scraping, Sistemas de Recomendación y Procesamiento de Lenguaje Natural) aplicándolas al desarrollo e implementación de proyectos de analítica avanzada enfocados en la mejora de KPI’s de negocio para lograr sus objetivos comerciales.
Conocer, aprender, diseñar, implementar y comprender las distintas metodologías existentes de Machine Learning, Inteligencia Artificial y Deep Learning (redes neuronales: tensorflow y keras, técnicas de Web Scraping, Sistemas de Recomendación y Procesamiento de Lenguaje Natural) aplicándolas al desarrollo e implementación de proyectos de analítica avanzada enfocados en la mejora de KPI’s de negocio para lograr sus objetivos comerciales.
Requisitos
- No necesita tener una laptop o computadora potente pues todo se trabajará en la nube.
Público Objetivo
- Dirigido a profesionales y/o estudiantes de últimos ciclos con o sin experiencia en el desarrollo e implementación de proyectos de análisis de datos con enfoque en el negocio.
- Profesionales con experiencia que se desarrollan en áreas de inteligencia de Negocios, TI, Data, Marketing, Planeamiento, Inteligencia Artificial, Analytics u otras áreas relacionadas al análisis de datos y programación.
Objetivos Específicos
- Los participantes podrán plantear, analizar y desarrollar ejercicios de programación aplicando técnicas de programación agnósticos al lenguaje.
- A través de Python, los estudiantes podrán realizar algoritmos y programas de manera que puedan aplicar los fundamentos aprendidos, y tener soluciones aplicables a sus retos en sus campos laborales.
- Prepararte para el examen de certificación Certified Entry-Level Python Programmer (PCEP) de Python Institute.
- Adquirir habilidades de análisis de datos a nivel descriptivo y predictivo para la toma de decisiones.
- Evaluar eficazmente un modelo analítico de acuerdo con las necesidades de negocio y plantear estrategias de despliegue.
- Comprender el procedimiento y las técnicas que se utilizan en machine Learning e Inteligencia Artificial, así como saber diferenciarlas y aplicarlas para la generación de valor corporativa.
- Preparación para el examen de certificación de Artificial Intelligence Professional Certificate (CAIPC) de Certiprof.
Temario
- 1. Fundamentos de programación
- Introducción a la programación.
- Paradigmas de programación.
- Lenguaje de pseudocódigos.
- Técnica de lenguaje de pseudocódigos.
- Algoritmos: Búsquedas, ordenamientos.
- Herramientas y tecnologías más utilizadas.
- 2. Introducción a Python
- Introducción Python. Instalación, librerías, IDEs, PIP.
- Variables y tipos de datos: string, boolean, int, float.
- input/output operations.
- Operadores básicos.
- Caso práctico.
- 3. Operadores con Python
- Operadores condicionales: If, Else, Elif, Switch.
- Operaciones bit a bit.
- Operadores iterativos.
- Operaciones con Listas.
- Caso práctico.
- 4. Estructura de Datos con Python
- Estructura complejas. Tuplas y Diccionarios.
- Funciones. Excepciones
- Procesamiento de datos I : Arreglos Numpy.
- Procesamiento de datos II : DataFrames.
- Caso práctico.
- 5. Procesamiento con Python
- Programación orientada a objetos.
- Procesamiento de archivos.
- Gráficos Básicos: Matplotlib.
- Caso práctico.
- 6. Estadística para Análisis de Datos
- Origen, definición y ramas de la estadística. Tipos de datos.
- Medidas de tendencia de posición y dispersión. Asimetría y Kurtosis.
- Diagrama de Cajas, Correlación y Covarianza.
- Gráficos estadísticos para variables cuantitativas y cualitativas.
- Caso práctico.
- 7. Estadística para Modelos Estadísticos
- Probabilidades, Teorema de Bayes, Distribución discreta y continua.
- Tipos de distribuciones: Binomial, Poisson, Normal, Normal estándar.
- Introducción a la estadística inferencial. Universo, población y muestra.
- Tipos de error, Nivel de significación.
- Caso práctico.
- 8. Introducción al Análisis de Datos
- La era de los datos, evolución del valor de datos.
- Tipos de análisis de datos.
- ¿Qué es Data Science? Casos de uso, entregables y aplicaciones principales.
- Definición de la variable de estudio o target.
- Fases de un proyecto analítico. Herramientas y tecnologías más utilizadas.
- Caso práctico.
- 9. Análisis exploratorio y visualización de datos
- Definición y objetivos del análisis exploratorio.
- Relaciones entre variables. Detección de outliers.
- Manejo de datos. Análisis de valores atípicos. Detección de patrones.
- Visualización de datos con Matplotlib y Seaborn.
- Caso práctico.
- 10. Preparación y transformación de datos
- Manejo y limpieza de datos.
- Técnicas de tratamiento mediante funciones lineales y no lineales.
- Generación de nuevas variables adecuadas al negocio.
- Imputación de datos mediante técnicas univariados y multivariadas.
- Caso práctico.
- 11. Algoritmos de Machine Learning
- Técnicas de balanceo de datos: Undersampling, Oversampling. Muestreo. Partición train-test-validación.
- ¿Qué es IA? ¿Big Data? ¿Machine Learning? ¿Deep Learning?.
- Algoritmos Supervisados: KNN, Gaussian Naive Bayes, Regresión logística, SMV.
- Algoritmos No Supervisados: PCA y K-Means.
- Caso práctico.
- 12. Machine Learning: Algoritmos Supervisados
- Entendiendo los métodos supervisados.
- Algoritmos de Clasificación: Árbol de decisión, Regresión Logística, Random Forest, SVM, XGBoost, Light GBM.
- Algoritmos de Regresión: Regresión Lineal y Múltiple, Random Forest, SVM,
- Rige, Lasso.
- Caso práctico.
- 13. Machine learning: Algoritmos no Supervisados
- Definición e Importancia.
- Agrupación y Reducción de Dimensiones.
- Muestreo. Partición train-test-validación.
- Técnicas estadísticas: K Means, DB Scan, PCA.
- Caso práctico.
- 14. Evaluación e Implementación de Modelos Analíticos
- Técnicas de validación de modelo.
- Matriz de confusión, Accuracy, Precisión, Recall, F1 Score.
- Búsqueda de recomendaciones óptimas para la toma de decisiones.
- KPI’s de Negocio e Implementación de Modelos Analíticos.
- Caso práctico.
- 15. Deep Learning
- ¿Por qué Deep Learning? Aplicaciones y usos en las industrias.
- Framework de trabajo en Deep Learning. Keras y Tensor Flow.
- Construcción de una red neuronal artificial. Entendimiento de parámetros y arquitectura.
- Redes Neuronales Convencionales y Recurrentes.
- Fundamentos TensorFlow, Keras.
- Caso práctico.
- 16. Procesamiento de Lenguaje Natural (NLP)
- Definición y casos de usos.
- Limpieza y depuración de textos.
- Aplicación de técnicas de procesamiento de lenguaje natural (Word2vec, PoS, etc).
- Modelado de temas y Análisis de sentimiento.
- Caso práctico.
- 17. Series de Tiempo
- Qué es la serie de tiempo, definición y tipos
- Modelado de series de tiempo
- Evaluación de modelos de series de tiempo.
- Aplicaciones avanzadas de filtrado de datos.
- Caso práctico: Aplicaciones de series de tiempo en la industria.
- 18. Sistema de Recomendación
- Tipos de motores de recomendación, Popularity, Content-based, Collaborative.
- Collaborative Filtering, User-based, Ítem-based.
- Sistemas de recomendación basado en contenido.
- Modelo Factorización Marcial: Matrix Factorization.
- Caso práctico.
- 19. Web Scraping
- Definición y usos. Web Crawling y Web Scraping.
- Consecuencias del escraper. ¿Qué es User Agent? Bloqueo de páginas web.
- Métodos de extracción de datos. XPATH & CSS Selector. Expresiones Regulares.
- Web-scraping estático – LXML. Tipos de requests.
- Caso práctico.
- 20. Inteligencia Artificial Generativa
- Fundamentos de IA Generativa.
- Crea imágenes y textos con IA Generativa
- Presentación de casos de uso de diversas industrias.
- Elaboración, seguimiento y presentación del proyecto integrador.
- Workshop proyectos aplicados de Data Science & IA.
Horarios
Inicio
08 de Abril
Fin
19 de Junio
Dias
Martes y Jueves
Horario
7:00pm a 10:00pm 🇵🇪 🇨🇴 🇪🇨 🇵🇦
6:00pm a 9:00pm 🇲🇽 🇨🇷 🇬🇹
8:00pm a 11:00pm 🇧🇴 🇺🇸 🇩🇴
9:00pm a 12:00pm 🇦🇷 🇨🇱
7:00pm a 10:00pm 🇵🇪 🇨🇴 🇪🇨 🇵🇦
6:00pm a 9:00pm 🇲🇽 🇨🇷 🇬🇹
8:00pm a 11:00pm 🇧🇴 🇺🇸 🇩🇴
9:00pm a 12:00pm 🇦🇷 🇨🇱
Certificados
Diploma de Reconocimiento
A los alumnos que aprueben los exámenes del curso satisfactoriamente se les otorgará un diploma de reconocimiento.
Diploma de Participación
A los alumnos que no aprueben los exámenes del curso se les otorgará un diploma de participación.
×
![]()
Docentes del Curso
MSc Geanfranco Palomino
Head of Data Science & Analytics - Yanbal
MSc Julio Cesar Bernal
Master Data Management & Innovación Tecnológica, Universitat de Barcelona
MBA Dany Giamir Churapa
Product Owner de Canales Digitales - Mi Banco
Ruta de Aprendizaje
Data Scientist
Clase Modelo
Testimonios de Nuestros Alumnos
Medios de Pago
Fechas:
Inicio:
12 Marzo
Fin:
19 Mayo
Duración:
20 Sesiones
Días:
Lunes y Miercoles
19:00 a 22:00 GMT-5
Inicio:
08 Abril
Fin:
19 Junio
Duración:
20 Sesiones
Días:
Martes y Jueves
19:00 a 22:00 GMT-5
Preguntas frecuentes
¿Qué formas de pago hay?
Puedes hacer el pago con tu tarjeta de débito/crédito Visa, Mastercard u otros o con tu cuenta de Paypal o Mercado Pago.
Para coordinar medios de pago como Western Union, Moneygram, Yape o Plin escribir al Whatsapp de la parte inferior derecha (+51917646049).
¿El curso esta en español?
El curso está completamente en español. Algún material adicional de vanguardia podría estar en inglés.
¿El curso es en vivo o pregrabado?
Las clases son en vivo vía Zoom y podrás hacer todas tus consultas en tiempo real. La clase se grabará y se subirá al Classroom para que puedas repasar.
¿Puedo pagar en otra moneda?
No te preocupes, puedes pagar con tu moneda nacional en cualquier momento, el monto se convierte a tu moneda nacional en automatico al momento del pago.
