26ta 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.
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
24 de Julio
24 de Julio
Fin
30 de Septiembre
30 de Septiembre
Dias
Lunes y Miércoles
Lunes y Miércoles
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
Dany Giamir Churapa
Product Owner de Canales Digitales - Mi Banco
Geanfranco Palomino
Head of Data Science & Analyst - Yanbal
Ruta de Aprendizaje
Data Scientist
Clase Modelo
Testimonios de Nuestros Alumnos
Medios de Pago
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.