Sesión 1: TECNOLOGÍA PARA CIENCIA DE DATOS

• Tecnología para toma de decisiones: Business intelligence, analytics, machine learning e IA

• Ramas de la estadística, tipos de variables, medidas de posición y dispersión

• Ciclo de vida de modelos analíticos

• Metodología analítica: SEMMA - CRIPS DM

• Importación de bases de datos: JSON, Excel, SPSS, CSV en Python

• Caso 1: Analizando medidas de dispersión en datos empresariales

• Caso 2: Aplicación de metodología CRIPS DM en empresas

• Taller 1: Gestión de bases de datos en Python

Sesión 2: ESTADÍSTICA PARA CIENCIA DE DATOS CON PYTHON

• Estadística y análisis exploratorio de datos

• Probabilidad y estadística en ciencia de datos

• Métodos de balanceo de datos

• Técnicas de selección y análisis de variables

• Principales algoritmos de clasificación y regresión

• Caso 1: Integrando proceso de análisis exploratorio de datos

• Caso 2: Aplicando modelos estadísticos en data empresarial

• Taller 2: Elaborando un diagnóstico de datos en un caso de negocio

Sesión 3: MANIPULACIÓN Y ANÁLISIS DE DATOS

• Análisis exploratorio de datos estructurados

• Tratamiento de datos para tipos de variables

• Métodos y técnicas de inferencia estadística

• Detección de valores atípicos

• Modelos de regresión: Lineal y no lineal

• Caso 1: Identificando características de datos estructurados

• Caso 2: Identificando relaciones aplicando modelos de regresión

• Taller 3: Aplicación de análisis exploratorio en un caso de negocio

Sesión 4: MACHINE LEARNING: MODELO SUPERVISADO

• Modelos de regresión: Paramétrico y no paramétrico

• Regresión lineal: Modelos y aplicaciones

• Modelo de árboles de clasificación

• Métricas para evaluación de modelos supervisados

• Caso 1: Descubriendo patrones y tendencias en bases de datos

• Caso 2: Aplicando modelo de regresión lineal múltiple

• Taller 4: Identificando relaciones críticas en tu modelo de datos

Sesión 5: MACHINE LEARNING: MODELO NO SUPERVISADO

• Introducción a modelos no supervisados

• Modelos de Clustering

• Selección de variables: features, selection

• 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 5: Identificando relaciones entre datos estructurados

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

Presentación y exposición del PROYECTO INTEGRADOR

Sesión 1: INTRODUCCIÓN A LA IA Y DEEP LEARNING

• La relación entre la IA y el Deep Learning

• Fundamentos del Deep Learnning

• Keras para modelos de Deep Learning

• Tensorflow para modelos de Deep Learning

• ¿Qué es una red neuronal y tipos?

• Caso 1: Sistema de recomendaciones en Netflix

• Caso 2: Clasificación de fotos en Google Fotos

• Taller 1: Modelar un sistema de deep Learning

Sesión 2: REDES NEURONALES ARTIFICIALES ANN

• Estructuras de redes ANN para IA

• Entrenamiento y construcción de modelos ANN

• Clasificación de imágenes con ANN

• Series de tiempo con ANN

• Caso 3: Clasificar imágenes con ANN

• Caso 4: Predicción del mercado de valores con IA

• Taller 2: Predicción del valor de acciones con IA

Sesión 3: REDES NEURONALES CONVOLUCIONALES CNN

• Estructura de redes CNN para IA

• Capas convolucionales

• Capas de pooling

• Clasificación de imágenes con CNN

• Detección de objetivos con CNN

• Caso 5: Clasificar imágenes con CNN

• Caso 6: Detección de rostros con CNN

• Taller 3: IA para segmentación en imágenes

Sesión 4: REDES NEURONALES RECURRENTES RNN

• Estructuras de redes RNN y aplicaciones en IA

• Procesamiento del lenguaje natural (NLP)

• Generación de texto (NLP)

• Predicciones de series temporales con RNN

• Caso 7: Traducción automática con RNN

• Caso 8: Predicción de diálogo con RNN

• Taller 4: IA para predicción de ventas con RNN

Sesión 5: GENERATIVE ADVERSARIAL NETWORK GAN

• Modelo generador y discriminador en GAN para desarrollo de IA

• Aplicaciones de las redes GAN

• Entrenamiento de producción y clasificación

• Generación de imágenes con GAN

• Superresolución de imágenes con GAN

• Caso 9: Generación de imágenes con GAN

• Caso 10: Aumento de resolución con GAN

• Taller 5: Generación de muestras sintéticas para desarrollo continuo de IA