Sesión 1: Tecnología para ciencia de datos

• Tecnologías para toma de decisiones: Business intelligence, Analytics, Machine Learning e IA

• Ciclo de vida de Modelos analíticos - El rol de Data scientist en las empresas

• Metodologías analíticas: SEMMA - CRIPS DM

• Data Acquisition, Wrangling y Web Scrapping en Python

• Importación de bases de datos: JSON, Excel, SPSS, CSV en Python

• Caso 1: Aplicación de Metodología CRIPS DM en empresas

• Caso 2: Analizando información obtenida de sitios web en Pandas

• Taller 1: Gestión de Bases de datos en Python

Sesión 2: Estadística para ciencia de datos con Python

• Ramas de la Estadística, Tipos de Variables, Medidas de posición y dispersión

• Análisis Exploratorio de Datos Estructurados y Visualización de Datos

• Métodos y Técnicas de Inferencia Estadística

• Modelos de Regresión: lineal y no lineal
  

• Caso 1: Identificando características de Datos Estructurados
  

• Caso 2: Identificando relaciones entre variables aplicando Modelos de Regresión
  

• Taller 2: Aplicación de Análisis Exploratorio en un caso de negocio

Sesión 3: Modelos analíticos con Machine Learning

• Principales técnicas de Tratamiento de Datos

• Métodos de Balanceo de Datos
  

• Técnicas de Selección y Análisis de variables

• Modelos Analíticos para los negocios: Supervisado y No Supervisado
  

• Principales Algoritmo de Clasificación y Regresión
  

• Caso 1: Analizando información obtenida de Fuentes Externas
  

• Caso 2: Aplicación de Modelos Estadísticos en Data Empresarial
  

• Taller 3: Elaborando un Diagnóstico de Datos en un caso de negocio

Sesión 4: Machine Learning: Modelo no supervisado

• Método de clustering: K - Means

• Método de clustering DBScam
  

• Modelo de asociación - Inmersión

• Método de Reducción de Dimensión (PCA)
  

• RFM: Análisis para Segmentación de Usuarios
  

• Caso 1: Elaboración de subconjuntos mediante Clustering
  

• Caso 2: Cómo identificar a mis usuarios potenciales
  

• Taller 4: Identificando Relaciones entre Datos Estructurados

Sesión 5: Machine Learning: Modelo supervisado

• Modelos analíticos: Regresión y Clasificación binaria / multiclase

• Algoritmos de clasificación: Árboles de Decisión y Random Forest
  

• Algoritmos XGBoost y Catboost. Comparación de Algoritmos

• Analítica de Textos y Procesamiento Lenguaje Natural
  

• Caso 1: Diseño de un modelo de clasificación para toma de decisiones
  

• Caso 2: Descubriendo Patrones y Tendencias en Bases de Datos
  

• Taller 5: Analizando valores de Variables Críticas en Python

Sesión 6: Análisis prescriptivo y toma de decisiones

• Evaluación de Modelos Analíticos

• Implementación de Modelos Analíticos
  

• Búsqueda de recomendaciones óptimas para la toma de decisiones

• Diferencias entre Storytelling y "mostrar resultados"
  

• Caso 1: Ventajas competitivas generadas por el Análisis Prescriptivo
  

• Caso 2: Aplicación de Técnicas y Recomendaciones de Storytelling
  

• Taller 6: Diseño de una Presentación de un caso real de negocio