Programa Especializado Data Science aplicada al negocio

Objetivo

Proporcionar a los participantes de un entendimiento sobre la aplicación estratégica de la ciencia de datos en contextos empresariales. Enfatizando la importancia de identificar necesidades de negocio, desarrollar casos de uso pertinentes y emplear diferentes tipos de analíticas.

1. Necesidades del negocio
2. Casos de Usos
3. Analítica: descriptiva, diagnóstica, predictiva y prescriptiva
4. Entendimiento de los datos
5. Planificación de proyectos
6. Comunicación de resultados
7. Data Business Transformation

Objetivo

Introducir a los participantes en los conceptos de programación con Python. Comprensión de sintaxis, estructuras de datos, control de flujos, operaciones de Python, así como diferentes librerías necesarias para modelar, analizar y visualizar información obtenida de los datos.

1. Conceptos fundamentales de la Ciencia de Datos
   • Definición y avances de Ciencia de Datos
   • Python y lenguajes de programación para la Ciencia de Datos
   • IDEs actuales para el desarrollo de la Ciencia de Datos
   • Python y Colab
2. Fundamentos de Python
   • Syntaxis, tipos de datos, variables
   • Creación de funciones
   • Funciones repetitivas
   • Estructuras de control: Condicionales, bucle
3. Librerías en Python
   • Librería Matplotlib
   • Librería Pandas
   • Librería Seaborn
   • Librería Scikit-learn
   • Otras Librerías
4. Preparación de datos
   • Definición de variables
   • Listas y estructuras
   • Gestión de datos con librerías Numpy y Pandas
5. Modelado y visualización de datos
   • Selección del tipo de modelo (librerías)
   • Librerías para diferentes tipos de análisis: NumPy, Matplotlib, Seaborn, SciPy
   • Librerías para Machine Learning: Scikit-learn, Tensorflow
   • Análisis de datos
   • Visualización de datos y gráficos estadísticos con Matplotlib y Seaborn

Caso práctico
Utilizar Python y sus librerías para realizar un análisis exploratorio de datos que incluye carga de datos, inspección inicial, manipulación de datos y finalmente la visualización.

Objetivo

Desarrollar un entendimiento profundo de los conceptos estadísticos fundamentales y su aplicación en la ciencia de datos. Este módulo está diseñado para enseñar a los participantes cómo preparar, analizar y interpretar datos utilizando métodos estadísticos, con el objetivo de apoyar la toma de decisiones empresariales efectivas. Se enfocará en técnicas descriptivas e inferenciales, con ejemplos prácticos usando Python.

1. Estadística descriptiva
   • Introducción a la estadística: Población y Muestra
   • Tipos de variables y escalas de medición
   • Datos agrupados y tabla de frecuencias
2. Preparación de datos
   • Transformación de datos y discretización
   • Limpieza de datos
   • Identificación de Outliers
3. Análisis descriptivo
   • Medidas de tendencia central: Media, Mediana y Moda
   • Medidas de dispersion: Rango , Cuantiles , Varianza y desviación estándar
   • Elaboracion de histogramas, gráficos de caja.
   • ¿Cuándo usar? ¿Qué preguntas responde?
4. Inferencia estadística
   • Relación entre variables cuantitativas: coeficiente de correlación
   • Relación entre variables cualitativas: Prueba chi cuadrado
   • Pruebas de hipótesis y su aplicación en la toma de decisiones.
   • ¿Cuándo usar? ¿Qué preguntas responde?

Caso práctico
Desarrollo de análisis estadístico completo desde la recolección de datos hasta las conclusiones, utilizando Python para manejar datos reales y simular decisiones basadas en análisis estadísticos.

Objetivo

Desarrollar habilidades en la selección, implementación y evaluación de modelos analíticos avanzados, con un enfoque en cómo estos modelos pueden ser aplicados para resolver problemas reales de negocio y mejorar la toma de decisiones basada en datos.
Los participantes aprenderán a equilibrar la complejidad del modelo con la interpretabilidad y la relevancia para los objetivos comerciales.

1. Introducción a las metodologías para el desarrollo de modelos
   • ¿Qué son las metodologías para el desarrollo de modelos?
   • Ventajas y desventajas de cada metodología
   • Ejemplo de metodologías: CRISP-DM
2. Regresión lineal simple
   • Definición y supuestos de la regresión lineal simple
   • Interpretación de los coeficientes de regresión
   • Evaluación de la bondad de ajuste del modelo
3. Regresión lineal múltiple
   • Definición y supuestos de la regresión lineal múltiple
   • Selección de variables y ajuste del modelo
   • Evaluación de la bondad de ajuste del modelo
4. Estimación de modelos
   • Selección de variables explicativas
   • Estimación del modelo de regresión
   • Análisis de Residuos
5. Validación de modelos
   • Validación cruzada y particionamiento de datos
   • Métricas de evaluación de modelos: R2, MAE, RMSE, etc.
   • Interpretación de las métricas de evaluación de modelos
6. Regularización en modelos de regresión
   • Regresión ridge y lasso
   • Selección del parámetro de regularización
   • Efectos de la regularización en los coeficientes del modelo
7. Modelos de regresión no lineal
   • Definición y ejemplos de modelos de regresión no lineal
   • Métodos de ajuste de modelos no lineales
   • Evaluación de la bondad de ajuste en modelos no lineales
8. Selección de modelos
   • Métodos de selección de modelos: MSE, MAPE, AIC, BIC, etc.
   • Comparación de modelos y selección del mejor modelo
   • Interpretabilidad vs. complejidad del modelo
9. Implementación de modelos
   • Implementación de modelos
   • Integración de modelos en los proceso de negocio
   • Consideraciones prácticas para la implementación de modelos
10. Monitoreo de modelos
    • Monitoreo del rendimiento de modelos en producción
    • Detección y diagnóstico de problemas en modelos
    • Actualización y reentrenamiento de modelos en producción

Caso Práctico
Desarrollo de un caso que abarca el proceso de modelado, desde la recopilación de datos hasta la implementación y monitoreo del modelo en un contexto de negocio realista.

1. ObjetivoCapacitar a los participantes en los principios y técnicas de Machine Learning e Inteligencia Artificial, con un enfoque en la aplicación práctica y la integración de estos modelos para mejorar la toma de decisiones en entornos empresariales.
   Los participantes aprenderán a elegir, implementar y evaluar modelos de Machine Learning usando Python, con especial atención en cómo estos modelos pueden ser definidos para lograr objetivos de negocio específicos.
   1. Definición de Inteligencia Artificial y Machine Learning
      • Introducción
      • Definiciones
      • Conceptos
      • Procesos y Aplicaciones
      • Tipos de Aprendizaje
   2. Aprendizaje Supervisado
      • Regresión logística
      • Introducción y Definición
      • Supuestos del modelo
      • Formulación del modelo
      • Estimación de parámetros
      • Aplicación
   3. Validación de modelos de Aprendizaje Supervisado
      • Matriz de Confusión
      • GINI
      • K-S
      • ROC
      • Sensibilidad
      • Especificidad
   4. Aprendizaje Supervisado
      • Arboles de Clasificación
      • Random forest
      • SVM ( Máquinas de Soporte Vectorial)
      • Naive Bayes
      • Aplicaciones
   5. Aprendizaje Supervisado
      • La Neurona
      • Funcionanamiento
      • Arquitectura
      • Perceptron
      • Funciones de Activacion
      • Aplicación
   6. Aprendizaje No Supervisado
      • Agrupamiento K-means
      • Componentes Principales
      • Aplicaciones
   7. Fundamentos de Deep Learning
      • Perceptron Multicapa
   8. Aplicación Global del Mejor Modelo

   Caso Práctico

   Desarrollo de un proyecto de Machine Learning desde el análisis de datos hasta la implementación y evaluación de un modelo seleccionado, utilizando los conceptos aprendidos.