Especialización en Ciencia de Datos

Conoce los detalles

Fecha de la Especialización

Inicia: 06 de enero de 2024.

Horario:
de 07:00pm a 08:30pm
de Lunes a Jueves.

Modalidad

Online con clases y maestros en vivo.
(habrá algunas clases presenciales para aclarar las dudas frente al maestro).

Duración

La especialización tiene una duración de 6 meses.
(son más de 300 hrs de especialización).

¿Qué aprenderás?
Conoce los diversos módulos

Matemáticas/
Álgebra

• Matrices.
• Ecuaciones lineales.
• Métodos de solución: Gauss, Gauss-Jordan.
• Transformaciones lineales.
• Aplicación de transformaciones lineales: reflexión, dilatación, contracción y rotación.

Matemáticas/
Cálculo

• Funciones: definición, inyectiva, sobre y biyectiva, composición; cardinalidad y conjunto numerable.
• Límites.
• Derivadas.
• Diferenciación implícita, máximos y mínimos.
• Integral de Riemann.

Probabilidad

• Enfoque clásico, frecuentista y subjetivo.
• Probabilidad condicional.
• Teorema de Bayes.
• Función de densidad y de distribución.
• Moda, mediana, cuantiles de una variable aleatoria numérica.
• Momentos de una variable aleatoria.
• Valor esperado, varianza.
• Coeficiente de asimetría y curtosis.
• Distribución Binomial, Poisson, Normal.

Estadística

• Estadística descriptiva.
• Tipos de datos: categóricos, cualitativos, porcentajes, scores, etc.
• Representación mediante gráficos.
• Distribución muestral y poblacional.
• Medidas de dispersión: Rango muestral, desviación estándar, varianza muestral.
• Coeficientes de correlación.
• Estadística inferencial.
• Test de hipótesis.
• Intervalos de confianza.

Data Mining

• Taxonomía de las técnicas de Minería de Datos.
• Tendencias y desafíos de la Minería de Datos.
• Aplicaciones del procesamiento de los datos.
• Proceso de Extracción de Datos: (fuentes - basa de datos, web scraping, texto/NLP).
• Exploratory Data Analysis en R.
• Data cleaning/cleansing(scrubbing).
• Datos faltantes.
• Outliers.
• Aplicación de la Media, Mediana y Moda a los datos.
• Frecuencias y Percentiles.
• Rango, Varianza y Desviación Estándar.
• Pre-processing
• Visualización de los datos.
• Agregación, Muestreo.
• Reducción de dimensionalidad.
• Feature engineering.
• Análisis de Componentes Principales e Independientes.

Data Science + ML

• Impacto de implementación de Ciencia de Datos en las organizaciones.
• Sus aplicaciones en la industria.
• Clasificadores Basados en Reglas, Vecinos Más Cercanos (KNN), Bayesianos (NB).
• Máquinas de Soportes Vectoriales (SVMs).
• Clasificadores Embebidos, multiclases (Scikit-Learn).
• Validación cruzada (K- iteraciones).
• Solución a problemas de pronóstico
• Regresión lineal, no lineal y múltiple.
• Algoritmos de asignación de ranking de texto (Sistema de recomendación).
• Análisis espacial.
• Machine Learning
• Árboles de decisión.
• Random Forest.
• Redes neuronales.
• Algoritmos tipo aprendizaje sin supervisión: PCA, Clustering methods, kNN.K-means, DBSCAN, Grid-Based Clustering
• Texto y Redes sociales - NLP y Sentiment Analysis,
• Métodos de potenciación.
• Evaluación de modelos
• ¿Cómo evalúas y diferentes métodos?
• Evaluar rendimiento de modelos - Exactitud, ROC, R-2.
• Unbalanced.
• Feature selection.
• Parameter Tuning.
• Over/underfitting.