Nos encargaremos de proporcionar a los estudiantes un espacio de formación de calidad, pero es necesario también que ellos cuenten con motivación y poner todo de sí. No se puede aprender y desarrollar habilidades sin compromiso y esfuerzo.
La formación se ha destinado a todas aquellas personas que deseen fortalecer sus conocimientos en programación y los algoritmos.
Manejamos diferentes metodologías de estudio que se adaptan a cada uno de los estudiantes.
Modulo 1: Data Analytics with Python Understanding Customers
En el primer proyecto, el alumno trabajara como Analista de Datos para Blackwell Electronics.
Su misi6n es utilizar técnicas de miner1a de datos y aprendizaje automático para investigar patrones, en los datos de ventas de Blackwell, y proporcionar informaci6n sobre las tendencias y preferencias de compra de los clientes.
Las conclusiones extra1das de los patrones en los datos ayudaran a la empresa a tomar decisiones sobre actividades de ventas y marketing, ya comprender la relaci6n entre la demografía de los clientes y su comportamiento de compra.
Cada tarea tiene entregables específicos , y se utilizan bibliotecas de Python para llevar a cabo dos actividades muy importantes en el Análisis de Datos: EDA (Análisis Exploratorio de Datos) y FE (ingeniería de Características Features). El alumno aprende a usar algoritmos de aprendizaje automático y a crear modelos.
Finalmente, el alumno preparara una presentaci6n, con sus conclusiones, para una audiencia no técnica.
En este modulo, el alumno aprende:
Fundamentos de programación en Python:
• Tipos/Estructuras y métodos comunes.
• Técnicas de procesamiento de datos (limpieza de datos, valores nulos, etc.).
• Gestión de DataFrames (selección y manipulación con loc).
• Fundamentos de la creacion de gráficos en Python.
• Bucles y definición de métodos.
Introducción al aprendizaje automático (ML) y algoritmos:
• Definición del proceso de modelado.
• Fundamentos de la selección de caracter1sticas (correlacion).
• División en train/testy técnicas de validación cruzada.
• Diferencia entre hiper-parámetros y parámetros.
• introducción a los algoritmos de clasificación (arboles de decisión y bosques).
• Evaluación y selección de modelos (matriz de confusión).
Aprenderas a utilizar las siguientes bibliotecas:
• pandas, numpy, matplotlib, seaborn.
• scikit-learn, statistics.
Modulo 2: Data Science with Python Predicting Customer Credit Limits
En este segundo modulo (no incluido en el curso de introducción), continuaras trabajando como Científico de Datos para Blackwell Electronics, pero en esta ocasi6n colaboraras directamente con un socio llamado Credit One, una autoridad de calificaci6n crediticia que ofrece servicios de aprobaci6n de crédito al cliente minorista para Blackwell.
Credit One te ha encargado examinar la demografía actual de los clientes para comprender mejor que características podrían estar relacionadas con la probabilidad de que un cliente incumpla sus obligaciones crediticias actuales.
Tu trabajo como Analista de Datos consistirá en identificar que atributos de los clientes están significativamente relacionados con las tasas de incumplimiento de crédito y construir un modelo predictivo que Credit One pueda utilizar para clasificar mejor a los clientes potenciales como "en riesgo" .
Aprenderás a utilizar algoritmos de regresi6n de en Python.
Tu trabajo deberá ser presentado como un Jupyter Notebook y subido a tu cuenta de GitHub.
Además, deberás preparar un informe que incluya los conocimientos obtenidos, cualquier visualizaci6n relevante, las respuestas a las preguntas de la empresa, las observaciones que hayas realizado y las recomendaciones que puedas tener.
Modulo2
Lo que vas a aprender:
Avances sobre el modulo 1:
• Refuerza tus habilidades en Python.
• Revisa los conceptos básicos del modelado.
• Recursos y ejercicios adicionales para solidificar tu conocimiento.
lntroducci6n a técnicas avanzadas de procesamiento de datos:
• Escalado, imputaci6n vs interpolaci6n, creaci6n de variables ficticias (dummifying).
• Codificaci6n One-hot vs codificaci6n de objetivos (target encoding).
• Winsorizaci6n y transformaci6n para el manejo de valores at1picos.
Optimizaci6n de tus modelos predictivos:
• Desarrollo de ingenier1a de caracter1sticas (feature cross).
• Reequilibrio de closes (SMOTE, muestreadores aleatorios, etc.).
• Precisión vs. Exhaustividad (Precision & Recall).
• lntroducci6n a la optimizaci6n de hiper-parametros y Grid Search.
• Comparaci6n, selecci6n y aplicaci6n de tus modelos.
• lntroducci6n al sobreajuste, validaci6n cruzada e importancia de caracter1sticas.
• Aprendizaje en conjunto (Ensemble Learning) (bosques y potenciadores de gradiente).
Evaluaci6n avanzada de modelos:
• ROC-AUC, puntuaci6n Fly curvas de calibraci6n. Resoluci6n de problemas en casos de negocios reales:
• Marcos estructurados (por ejemplo, CRISP-DM) para análisis de datos organizados.
• Técnicas de comunicaci6n e informes.
Modulo 3: Data Analytics with R
Sistemas de recomendación y análisis de la cesta de la compra.
En este modulo (no incluido en el curso de introducci6n), volverás a trabajar con Danielle Sherman, la Directora de Tecnología de Blackwell Electronics. Como sabes, recientemente han comenzado a aprovechar los dates recopilados de transacciones en línea y en tiendas físicas para obtener informaci6n sobre el comportamiento de compra de sus clientes. Tu tarea es ampliar la aplicaci6n de métodos de minería de dates para desarrollar modelos predictivos, y utilizaras R para lograrlo. En este curse, utilizaras
métodos de aprendizaje automático para predecir que marca de productos informáticos prefieren los clientes de Blackwell, basándote en los dates demográficos de los clientes recopilados a partir de una encuesta de marketing.
En un segundo proyecto analizaras las asociaciones entre productos en la cesta de la compra que se utilizaran para diseñar un sistema de recomendaci6n similar a los utilizados por Amazon y otros sitios de comercio electr6nico.
M6dulo3
Introducci6n a R para el análisis estadístico:
• Tipos/Estructuras y métodos comunes.
• Técnicas de procesamiento de datos (Limpieza, valores faltantes ..)
• Visualizaci6n de datos con R
• Looping & method definition
Profundizar en las técnicas de modelaje.
• Algoritmos de clasificaci6n. KNN, SVM.
• Importancia de las variables (Feature) (Varimp)
• Introducci6n a modelos de regresi6n:
Linear Regression & Logistic Regression.
Understanding coefficients, p-value & significance testing
Regularization methods (ridge, lasso)
Sistemas de recomendaci6n:
•Introduction to transactional datasets
• ·Correlation vs causation: apriori
• •Lift, support & confidence
En Ubiqum aprenderas a utilizar esta librerias de R:
caret, readr, ggplot2, arules, idyr, dplyr
Curso de introducción a data analytics y machine learning
Información Adicional
Precios:
Presencial: 2.400 Euros
Online: 1.600 Euros
Pago al contado con un 10% de descuento: Obtén buenos descuentos por pago al contado.
30% al contado mas cuotas: Una segunda opci6n es pagar un 30% al inicio y el resto en cuotas
Modalidad
Ya sea en el campus o en 11nea, nuestro contenido es 100% digital, por lo que el mismo programa exacto se puede tomar en nuestro campus ode forma remota. Nuestra metodolog1a basada en proyectos y el aprendizaje practice y personalizado es perfectamente adecuada para la formaci6n en 11nea. Desde el punto de vista del aprendizaje, no hay diferencia. Tenemos cientos de estudiantes en 11nea que han completado el programa con exito y han alcanzado sus objetivos profesionales.
