Inversión	$ 1.490.000
Horarios	Lunes y viernes de 6:30 pm a 9:30 pm
duración	8 semanas
intensidad	45 horas
Facultad	Escuela de Ingeniería, Ciencia y Tecnología
CONTENIDO DEL PROGRAMA

Objetivo

Presentar herramientas que, complementando las propiamente estadísticas, propicien la construcción de distintos modelos, enfocados en el análisis de grandes cantidades de datos permitiendo extraer, organizar y analizar información de forma más precisa con el propósito de facilitar la toma de decisiones.

Dirigido a

Investigadores de todas las áreas del conocimiento, estadísticos, analistas, miembros de grupos de investigación, académicos, estudiantes universitarios, estudiantes postgraduales, estudiantes de doctorado tanto de ciencias sociales como de ciencias exactas, investigadores de mercados, analistas de mercado, y toda persona que desee incursionar en esta materia y adquirir las nociones fundamentales del análisis de datos.

Desarrollará habilidades para depurar datos y descartará información poco relevante.
Construirá modelos cuantitativos y cualitativos a partir de datos depurados.
Analizará los resultados de los modelos construidos e interpretará datos a partir de los indicadores y mediciones que se obtienen de ellos.
Implementará modelos para la definición de políticas y su seguimiento.
Modelar escenarios que faciliten la toma de decisiones a partir de los datos generados en los modelos.
Estimar y predecir comportamientos de una variable en función de otras.
Aprender a reducir las dimensiones de los datos obtenidos permitiendo la agrupación de individuos con iguales características para la identificación de grupos homogéneos.

Módulo 1.

Conceptos básicos de Python.

Python es una de las herramientas de software libre más utilizadas en el mundo por su versatilidad, poder gráfico y gran poder de cálculo. En esta primera parte se presentarán diferentes intérpretes del leguaje y se trabajará con de sus algunos objetos.

a. Identificación del lenguaje Python.

b. Objetos básicos.

c. Cargue de archivos y manipulación de objetos.

Módulo 2.

Depuración y análisis exploratorio de datos. (scipy, numpy, pandas, matplotlib, seaborn)

Una de las primeras dificultades encontradas cuando se analiza una gran cantidad de información es el determinar cuál de ella es verdaderamente importante, representativa y significativa. En esta primera parte se proporcionarán las herramientas para depurar, seleccionar y caracterizar la información que debe ser utilizada en la construcción de modelos.

d. Depuración de datos.

e. Análisis exploratorio de datos, gráfico y formal.

f. Limpieza de datos.

g. Análisis estadístico de la información.

h. Análisis de información no normal o atípica.

Módulo 3.

Estimación y análisis de modelos supervisados. (Scikit-Learn,sklearn,statsmodels)

Después de haber seleccionado el conjunto de datos relevante, significativo y representativo, se presentan diversos modelos que permiten la generación de nuevo conocimiento de la situación, aportando de esta forma indicadores e índices que caracterizan cada una de las partes del problema a analizar.

i. Modelos de regresión múltiple

j. Modelos Logit, Probit.
k. Modelos multinominales.

Módulo 4.

Construcción y análisis de modelos de reducción de dimensiones. (sklearn.decomposition)

En muchas ocasiones el fenómeno que desea analizarse está descrito por varias variables. El objetivo de la reducción de dimensiones es tratar de obtener un conjunto de variables menor al anterior, máximo de dos o tres variables, que resuman la mayor cantidad de información o variabilidad de las variables originales y faciliten el acercamiento al problema en cuestión.

l. Construcción y análisis de componentes principales.

m. Construcción y análisis factorial de correspondencias.

n. Construcción y análisis de correspondencias múltiples.

o. Construcción y análisis de indicadores e índices.

Módulo 5.

Modelos de toma de decisiones. (Kmodes.Kprototypes,kmeans)

En muchas situaciones es necesaria la descripción detallada de un conjunto de individuos, o la agrupación de estos, o la generación de diferentes escenarios que faciliten la toma de decisiones. Aquí se presentan algunos modelos que facilitan este tipo de decisiones.

p. Construcción y análisis de árboles de decisión.

q. Construcción y análisis de clúster y segmentación.

r. Redes neuronales.