PUCP Data Analytics
PUCP Data Analytics
ANALYTICS
DIPLOMATURA DE ESPECIALIZACIÓN 2021-02
Í N D I C E
INTRODUCCIÓN 02
COSTO 05
MALLA CURRICULAR 06
PLANA DOCENTE 07
ASIGNATURAS 08
ESTADÍSTICA APLICADA 08
PROGRAMACIÓN PARA ANÁLISIS DE DATOS 08
FUNDAMENTOS DE APRENDIZAJE DE MÁQUINA 09
VISUALIZACIÓN DE INFORMACIÓN 09
MÉTODOS DE DATA ANALYTICS PARA SERIES TEMPORALES 10
PROYECTO DE ANÁLISIS DE DATOS 10
INTRODUCCIÓN
¿Usted aprovecha los datos de manera efectiva?
DATA ANALYTICS | 02
OBJETIVO GENERAL
Potenciar las habilidades de análisis de datos a un nivel
profesional a medida que aprende los fundamentos y
aplicaciones prácticas en Big Data Analytics, Machine Learning,
Visual Analytics y Análisis de Datos Temporales.
DATA ANALYTICS | 03
RECOMENDACIONES DE
CONOCIMIENTOS PREVIOS:
Periodo de dictado:
Modalidad: Duración:
1 de septiembre al
Virtual 32 semanas
13 de mayo del 2022.
Horario de Clases:
Miércoles y Viernes de 7:00 pm a 10:00 pm
Sábados de 10:00 am a 1:00 pm.
DATA ANALYTICS | 04
COSTO
Pago al contado
-5% DE DSCTO. S/9,500.00 - S/9,500.00
Hasta el 15 de agosto
DATA ANALYTICS | 05
MALLA CURRICULAR
ETAPA ASIGNATURAS HORAS
TOTAL 288
CRÉDITOS: 18
DATA ANALYTICS | 06
PLANA DOCENTE
Magister en Estadística y
candidata a PhD en Ingeniería
por la PUCP
DATA ANALYTICS | 07
AS I G N AT U RAS
Estadística Aplicada:
El análisis de datos se apoya en la inferencia estadística y los modelos de regresión. La
inferencia estadística es el proceso de delinear conclusiones acerca de poblaciones o verdades
científicas a partir de la información. En el curso se tratarán algunas de estas formas como
modelos estadísticos, estrategias orientadas a la información, y explicar el uso y diseño de
análisis aleatorio. Adicionalmente se tratarán otras teorías (frecuencia, Bayesiano,
verosemejanza, basado en diseño, etc) y análisis de la complejidad de números (datos perdidos,
observados y no observados, bias) para el desarrollo de inferencia. Adicionalmente se cubrirá el
análisis de regresión, mínimos cuadrados e inferencia usando modelos de regresión. Especial
atención a los modelos ANOVA y ANCOVA, así como el análisis residual y la variabilidad serán
investigadas.
Temario:
Modelos estadísticos
Análisis y diseño aleatorio
Teoría de frecuencia
Teoría Bayesiana
Verosemejanza
Análisis de complejidad numérica (datos perdidos y no observados)
Análisis de regresión
Análisis residual
Temario:
DATA ANALYTICS | 08
Fundamentos de Aprendizaje de Máquina:
El curso presenta los conceptos, técnicas y algoritmos de aprendizaje de máquina, para
entender cómo el computador puede realizar tareas de análisis de datos de forma automática.
Este curso se inicia con conceptos sobre la necesidad de hallar patrones en grandes volúmenes
de información, para luego examinar técnicas sobre tratamiento de información (limpieza de
datos, reducción de dimensionalidad, entre otras). Finalmente, se estudian los métodos y
técnicas algorítmicas de aprendizaje supervisado y no supervisado y sus aplicaciones.
Temario
Limpieza de datos
Selección de variables
Reducción de dimensionalidad
Métodos de aprendizaje supervisado (árboles de decisión, bosques aleatorios, support vector
machines, redes neuronales)
Aprendizaje no supervisado (Clustering, clustering distribuido y jerárquico, mapas de
autoorganización)
Visualización de Información:
El curso tiene por finalidad comprender los principios, técnicas y algoritmos para realizar minería
de datos y visualización de información. Se estudiarán los métodos y herramientas más usadas en
dichas tareas y aplicaciones en diferentes dominios.
Temario:
DATA ANALYTICS | 09
Métodos de Data Analytics para Series Temporales:
El curso aborda los fundamentos y técnicas de Data Analytics para el tratamiento de series
temporales. Inicialmente se presentará una introducción a este tipo de datos, cubriendo su
definición e interpretación, destacando la diferencia con otros tipos de datos y las
complejidades que presenta para poder modelarla. Luego se estudiarán métodos de
pre-procesamiento y analítica descriptiva de datos temporales. Seguidamente se estudiará el
problema de pronóstico temporal con modelos estadísticos. Finalmente se estudiará la
construcción de modelos de aprendizaje automático y Deep Learning para el problema de
pronóstico temporal y clasificación de series temporales. A lo largo del curso se irá presentando
aplicaciones de los métodos estudiados en problemas simulados y reales, usando Python y
librerías asociadas como herramientas de desarrollo.
Temario:
Temario:
DATA ANALYTICS | 10
CONTACTO:
KAT H I A PA R E D E S
[email protected]