Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Lógica de análisis de datos empresariales
1.1 Universalidad del uso de los datos
1.2 Dos ejemplos: los huracanes y el comportamiento de los clientes
1.3 Ciencia de datos, ingeniería y toma de decisiones basada en datos
1.4 Procesamiento de datos y "Big Data"
1.5 Big Data 1.0 a Big Data 2.0
1.6 Los datos y la analítica de datos como activos estratégicos
1.7 Lógica de análisis de datos - Resumen
Problemas de negocio y soluciones utilizando la ciencia de datos
2.1 Del problema empresarial a la minería de datos
2.2 Métodos supervisados y no supervisados
2.3 Minería de datos y sus resultados
2.4 Consecuencias de la gestión de empresas de ciencia de datos
2.5 Técnicas y tecnologías analíticas
2.6 Resumen
Modelado predictivo: de la correlación a la segmentación supervisada
3.1 Modelos, inducción y pronóstico
3.2 Segmentación supervisada
3.3 Visualizar resultados
3.4 Los árboles como conjuntos de reglas
3.5 Estimación de probabilidad
3.6 Estudio de caso
3.7 Resumen
Ajustar el modelo a los datos
4.1 Clasificación mediante funciones matemáticas
4.2 Regresión
4.3 Estimación de probabilidad de clase y "regresión" logística
4.4 Funciones no lineales
4.5 Redes neuronales
4.6 Resumen
Sobreajuste y cómo evitarlo
5.1 Generalización
5.2 Sobreajuste
5.3 Análisis del problema de sobreajuste
5.4 Ejemplos
5.5 Técnicas para evitar el sobreajuste
5.6 Curvas de aprendizaje
5.7 Control de complejidad
5.8 Resumen
Semejanza, adyacencia y clusters
6.1 Semejanza y medida de la distancia
6.2 Vecindad inmediata y reglas de inferencia
6.3 Técnicas clave
6.4 Análisis de conglomerados
6.5 Aplicaciones en la resolución de problemas empresariales
¿Cuándo es bueno un modelo?
7.1 Clasificadores utilizados en la evaluación de modelos
7.2 Generalizaciones que cruzan los límites de la clasificación
7.3 Marco analítico
7.4 Ejemplos de uso de técnicas básicas de evaluación
7.5 Resumen
Visualización de modelos
8.1 Aplicación de rangos
8.2 Curvas de beneficio
8.3 Curvas y gráficos de las características de funcionamiento del receptor (ROC)
8.4 Área bajo la curva ROC
8.5 Respuesta acumulativa
8.6 Ejemplos
8.7 Resumen
Evidencia y probabilidades
9.1 Ejemplo – Enfoque en el cliente
9.2 Combinaciones de evidencia probabilística
9.3 Aplicación de reglas bayesianas
9.4 Construcción del modelo
9.5 Ejemplo de aplicación del modelo
9.6 Resumen
Representación y minería de textos
10.1 ¿Por qué es importante el texto?
10.2 ¿Por qué es difícil trabajar con texto?
10.3 Representación
10.4 Ejemplo
10.5 Entropía y texto
10.6 No es una bolsa de palabras
10.7 Exploración de mensajes
10.8 Resumen
Casos prácticos de ingeniería analítica
Otras tareas y técnicas
12.1 Co-ocurrencias y asociaciones
12.2 Elaboración de perfiles
12.3 Previsión de relaciones
12.4 Reducción y selección de información
12.5 Distorsiones, distorsiones y varianzas
12.6 Casos de estudio
12.7 Resumen
Estrategia de negocio y ciencia de datos
13.1 Redux
13.2 Lograr una ventaja competitiva
13.3 Mantener la ventaja
13.4 Adquisición de recursos
13.5 Nuevas ideas y desarrollo
13.6 Madurez de la organización
Cómo llevar a cabo revisiones de proyectos de ciencia de datos
Conclusión
Requerimientos
La formación Data Science en el ámbito empresarial está dirigida a varios grupos de personas. En primer lugar, está dirigido a personas de la propia empresa. Aquellos que trabajarán con estadísticos y analistas de datos (científicos de datos, o como a veces se les llama en Polonia con "maestros de datos"). Muy a menudo, estas personas gestionarán proyectos centrados en el análisis de datos empresariales o invertirán en empresas de ciencia de datos. Además de este grupo, la formación está destinada a quienes vayan a implementar soluciones enfocadas en la analítica de datos. En el caso de estas personas, se trata de presentar una plataforma de entendimiento mutuo con las empresas, a las que no les interesan mucho los detalles de la propia implementación. Por supuesto, no hay que olvidar el tercer grupo. Sobre aquellos que aspiran a convertirse en un maestro de datos.
El entrenamiento no es entrenamiento en algoritmos. Tampoco se está formando en sistemas específicos de big data. Se dedican cursos de formación separados a estos temas, pero sin el conocimiento de ciertos conceptos fundamentales y principios de principios, los proyectos de ciencia de datos están condenados al fracaso de antemano. Debido a que el desarrollo de la tecnología es muy rápido, muy a menudo oscurece los cimientos sobre los que se deben construir las soluciones, que las empresas pueden utilizar de manera efectiva.
La formación no requiere conocimientos sofisticados y especializados en el campo de la estadística. Por supuesto, debe tener en cuenta el hecho de que, por su propia naturaleza, el material presentado durante la capacitación es hasta cierto punto de naturaleza técnica. El objetivo de la capacitación es permitir que los participantes obtengan una comprensión significativa de la ciencia de datos, no solo una presentación general del campo. A pesar de este objetivo bastante ambicioso, el aparato matemático se limita al mínimo absolutamente necesario. En términos generales, la capacitación contiene todo lo necesario para comprender y construir soluciones avanzadas basadas en datos para problemas comerciales.
35 Horas
Testimonios (5)
La variación con ejercicio y mostrando.
Ida Sjoberg - Swedish National Debt Office
Curso - Econometrics: Eviews and Risk Simulator
Traducción Automática
Muchos ejemplos y ejercicios relacionados con el tema de la formación.
Tomasz - Ministerstwo Zdrowia
Curso - Advanced R Programming
Traducción Automática
el entrenador tenía paciencia y estaba ansioso por asegurarse de que todos comprendiéramos los temas; las clases fueron divertidas de asistir
Mamonyane Taoana - Road Safety Department
Curso - Statistical Analysis using SPSS
Traducción Automática
El día 1 y el día 2 fueron realmente sencillos para mí y disfruté muchísimo esa experiencia.
Mareca Sithole - Africa Health Research Institute
Curso - R Fundamentals
Traducción Automática
El ritmo fue justo y el ambiente relajado hizo que los candidatos se sintieran cómodos para hacer preguntas.
Rhian Hughes - Public Health Wales NHS Trust
Curso - Introduction to Data Visualization with Tidyverse and R
Traducción Automática
