El reporte “Emerging Jobs Report” de LinkedIn de 2020 analiza las profesiones más demandadas para los próximos años en varios países, y la analítica de datos aparece como una de las más solicitadas. Varias otras fuentes confirman que las carreras relacionadas con la analítica de datos seguirán dominando el mercado laboral, y en particular la demanda por conocimientos en esta área crecerá a una tasa superior al 20% anual a nivel global.
El Diplomado en Advanced Analytics UAI busca formar profesionales con habilidades para no sólo analizar los datos estructurados y no estructurados históricos de la organización, sino que también predecir escenarios hipotéticos futuros, y tener la capacidad de, en dichos escenarios, modificar diferentes indicadores para analizar su incidencia directa en las decisiones principales y poder tomar la mejor opción de acuerdo a sus necesidades.
Este curso presentará algoritmos de aprendizaje no supervisados tales como: Algoritmos jerárquicos, K-medias, DBScan, reglas de asociación, Isolation Forest. Para cada uno de los temas revisados se muestran ejemplos de cómo usar los algoritmos en el lenguaje de programación Python.
Este curso busca explicar los fundamentos y teoría de los algoritmos de aprendizaje supervisado, utilizar algoritmos de aprendizaje supervisado en Python, saber qué tipo de algoritmo de aprendizaje supervisado es apropiado para el dominio de la aplicación y conocer las soluciones existentes a problemas reales en la industria usando algoritmos de aprendizaje supervisado.
Se procura entender los fundamentos y teoría de los algoritmos de aprendizaje profundo, utilizar algoritmos de aprendizaje profundo en Python y saber qué tipo de algoritmo de aprendizaje profundo es apropiado dependiendo del dominio de la aplicación.
Sus objetivos básicos son entender los fundamentos y teoría de los algoritmos para sistemas de recomendación, utilizar algoritmos de sistemas de recomendación en Python, saber qué tipo de algoritmo de sistema de recomendación es apropiado dependiendo del dominio de la aplicación, y conocer las soluciones existentes a problemas reales en la industria usando algoritmos de sistemas de recomendación.
Busca inferir y/o descubrir conocimiento oculto potencialmente útil desde información no estructurada (i.e., textos escritos en lenguaje natural) con el fin de apoyar procesos de toma de decisiones que generen valor agregado a los datos. Para esto, la Analítica Textual usualmente incluye tareas tales como categorización de textos, segmentación de documentos, descubrimiento de patrones, extracción de conceptos, generación de taxonomías, análisis de sentimientos, generación de resúmenes, entre otros. Debido a la naturaleza de los datos textuales, se requiere métodos provenientes de la recuperación de información, procesamiento de lenguaje natural, minería de datos y aprendizaje automático. De ahí que el curso proporciona a sus estudiantes los conceptos básicos, técnicas y herramientas de analítica textual con el fin de entender problemas tanto de ámbitos tecnológicos como de negocio.
Mientras la analítica descriptiva nos ayuda a entender dónde estamos, y la analítica predictiva,qué pasará en el futuro, la prescriptiva nos ayuda a encontrar la o las mejores decisiones para un cierto problema: cómo llegar más rápido a nuestro destino, o cómo atender a nuestros clientes de la forma más eficiente posible.
Los objetivos de este curso son desarrollar modelos para representar un problema de decisión, entendiendo las partes principales y los requerimientos necesarios, seleccionar alternativas de modelamiento del problema y la metodología de resolución, y analizar e interpretar resultados.
