0% encontró este documento útil (0 votos)
245 vistas12 páginas

PUCP Data Analytics

Este documento presenta una diplomatura de especialización en Data Analytics de 32 semanas de duración. La diplomatura cubrirá 6 asignaturas clave agrupadas en 2 módulos para desarrollar habilidades profesionales en análisis de datos. El costo es de 10,000 soles pagaderos al contado o a través de 8 cuotas mensuales. La diplomatura está dirigida a profesionales que buscan aprovechar grandes volúmenes de datos para la toma de decisiones empresariales.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
245 vistas12 páginas

PUCP Data Analytics

Este documento presenta una diplomatura de especialización en Data Analytics de 32 semanas de duración. La diplomatura cubrirá 6 asignaturas clave agrupadas en 2 módulos para desarrollar habilidades profesionales en análisis de datos. El costo es de 10,000 soles pagaderos al contado o a través de 8 cuotas mensuales. La diplomatura está dirigida a profesionales que buscan aprovechar grandes volúmenes de datos para la toma de decisiones empresariales.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 12

DATA

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?

En la última década hemos producido más


información que en toda la historia humana.
Enfrentados a cantidades abrumadoras de datos, las
organizaciones están luchando para extraer la riqueza
de conocimientos que necesitan para tomar
decisiones más inteligentes que les permita tomar
ventaja competitiva.

La tecnología se acelera a un ritmo sin precedentes


causando interrupciones en todos los niveles de
negocio. Debido a ello, las organizaciones demandan
cada vez más líderes que demuestren experiencia
técnica para mantener una ventaja técnica sobre la
competencia y al mismo tiempo que impulsen la
innovación en un entorno en constante cambio.

Esa formación la encontrarás en la PUCP, gracias a que


cuenta con los mejores expertos profesionales del
país, con experiencia desarrollando proyectos y
formando especialistas en ciencia de datos. En esta
diplomatura adquirirás habilidades técnicas para
actuar como profesional en ciencia de datos que
genere el máximo valor de los datos usando técnicas
contemporáneas e innovadoras.

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.

Público dirigido: Profesionales de diversas áreas que buscan


convertir grandes volúmenes de datos en información
procesable: Analistas deinteligencia de negocios, consultores
de gestión de datos, gerentes técnicos, gerentes de negocios,
gerentes de ciencia de datos, entusiastas de la ciencia de datos
y profesionales de TI.

DATA ANALYTICS | 03
RECOMENDACIONES DE
CONOCIMIENTOS PREVIOS:

Gestión de base de datos, toma de decisiones en base


a datos, fundamentos básicos de programación.
Se recomienda, pero no es obligatorio, estar
familiarizado con R o Python, tener conocimiento
previo en técnicas estadísticas y métodos cuantitativos
de análisis de datos.

Al culminar el Diplomado serás capaz de:

Aplicar técnicas de ciencia de datos a los desafíos de


gestión de datos y a la toma de decisiones
empresariales.
Convertir grandes volúmenes de datos a modelos de
análisis predictivo mediante herramientas visuales.
Implementar algoritmos de aprendizaje automático
para mejorar la toma de decisiones empresariales.
Dominar las mejores prácticas para el diseño de
experimentos, prueba de hipótesis y levantamiento de
modelos.
Identificar y enfrentar las dificultades comunes en el
análisis de big data.

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

Costo: 10,000 soles


*Financiamiento previa evaluación del participante.

MATRÍCULA 8 CUOTAS DE: TOTAL A PAGAR

Pago al contado
-5% DE DSCTO. S/9,500.00 - S/9,500.00
Hasta el 15 de agosto

Pago con financiamiento


-2% DE DSCTO. S/1,500.00 S/1,037.50 S/9,800.00
Hasta el 15 de agosto

Pago con financiamiento regular


Desde el 16 de agosto S/1,500.00 S/1,062.50 S/10,000.00

*Fecha de vencimiento de las letras: 30 de cada mes.


** Pago al contado a través del campus virtual con visa, mastercard o amex

El pago de la matrícula o en el caso de pago


al contado podrán ser cancelados en el
banco o a través de banca por internet
según su banco de preferencia. Usted
deberá seleccionar el modo de pago en el
campus virtual luego de haberse inscrito.

Los pagos de las letras (financiamiento) se


realizan a través del Campus Virtual PUCP.

Inscríbete aquí Más información aquí

DATA ANALYTICS | 05
MALLA CURRICULAR
ETAPA ASIGNATURAS HORAS

MÓDULO 1: 1. ESTADÍSTICA APLICADA 48


Fundamentos
2. PROGRAMACIÓN PARA EL ANÁLISIS EXPLORATORIO DE DATOS 48

3. FUNDAMENTOS DE APRENDIZAJE DE MÁQUINA 48

MÓDULO 2: 4. VISUALIZACIÓN DE INFORMACIÓN 48


Aplicaciones 5. MÉTODOS DE DATA ANALYTICS PARA SERIES TEMPORALES 48

6. PROYECTO DE ANÁLISIS DE DATOS 48

TOTAL 288

CRÉDITOS: 18

DATA ANALYTICS | 06
PLANA DOCENTE

Mg. Analí jesús Alfaro Alfaro Dr. Cesar A. Beltrán Castañon


Magíster en Ciencias de la Ingeniería
Doctor en Bioinformática y master en
con mención en Ciencia de la
Ciencia de la Computación, Universidad de
Computación, Pontificia Universidad
Sao Paulo-Brasil.
Católica de Chile.

Dr. Hugo Alatrista Salas


Mg. Pablo Fonseca Arroyo
Doctor en Ciencia de la Computación
Magister en Ciencias de la Computación
por la U. de Montpellier 2 y por la
en la Universidad de Campinas (UNICAMP)
U. de Nueva Caledonia.

Mg. César Olivares Poggi Dr. Edwin R. Villanueva Talavera

Magíster en Informática con mención Doctor en Ciencias y master en Ingeniería


en Ciencias de la Computación. Eléctrica, Universidad de Sao Paulo-Brasil.

Mg. Pedro Shiguihara Dr. Soledad Espezua Llerena

Magister en la Universidad Doctora en Ingeniería Eléctrica y


de São Paulo (USP). Computación y Máster en Procesamiento
de Señales e Instrumentación,
Universidad de Sao Paulo-Brasil.

Evelyn Patricia Gutiérrez

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

Programación para análisis de datos:


Este curso busca desarrollar l
as habilidades fundamentales de programación para análisis de datos usando R y Python.
Inicialmente, se tratarán temas básicos de cada uno de los lenguajes, como instalación y
configuración de entornos de programación adecuados, uso de tipos de datos y estructuras de
control, e implementación de funciones. Posteriormente, se usarán estos conceptos para tratar
tipos de datos más avanzados y usar herramientas de cada lenguaje específicas para
aprendizaje de máquina y tratamiento de textos.

Temario:

Estructuras básicas y estructuras de datos en Python y R


Introducción al manejo de datos con Panda para Python
Transformación de datos (Python y R)
Análisis descriptivo de datos (univariado y multivariado)
Modelos de datos
Spark para Python

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:

Introducción a la Minería de datos.


Representación de fenómenos a partir de datos. Minería de patrones.
Técnicas de minería de datos: itemset mining, reglas de asociación, sequential pattern mining,
graph mining.
Introducción a la visualización de información. La percepción humana. El proceso de visualización.
Visualización de datos temporales.
Visualización de datos espaciales.
Visualización espacio-temporal.
Visualización de Big data.

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:

Introducción al análisis de series temporales.


Pre-procesamiento de series temporales.
Análisis descriptivo de series temporales.
Modelos estadísticos para pronóstico temporal.
Pronóstico temporal con modelos tradicionales de aprendizaje de maquina.
Pronóstico temporal con modelos neuronales de Deep Learning.
Clasificación de series temporales.

Proyecto de Análisis de Datos:


El tema central del curso es desarrollar un proyecto de datos, aplicando conocimientos en
Ciencia de Datos que permitan generar valor en las organizaciones, tomando en consideración
aspectos de la gestión de proyectos y trabajo en equipo. El curso cubre estrategias para el
análisis de datos y validación del modelo basado no solo en técnicas de desempeño sino
también del valor del negocio. Esto involucra técnicas para detección de outliers, correlación,
causalidad, ingeniería de características y desarrollo de prototipos, su visualización y manejo
interactivo enfocado para un usuario final. El proyecto es verificado y validado para finalmente
se presentado ante un comité de evaluación.

Temario:

Fundamentos de gestión de proyectos de ciencia de datos.


Dashboards.
Causalidad, correlación, modelos causales. Evaluación de riesgos.
Cloud computing y proyecto de datos.
Validación y Entrega del producto final.

DATA ANALYTICS | 10
CONTACTO:
KAT H I A PA R E D E S
[email protected]

También podría gustarte