Data Science para la Toma de Decisiones

Obtendrás una visión 360° acerca de las áreas de conocimiento de la gestión de datos.

• Roles y funciones data driven.
• Evolución del valor de los datos.
• Metodologías de proyectos analíticos
• Servicios de IBM

Conocerás cómo realizar la integración y diseño del ecosistema de datos. Además, descubrirás diversos lenguajes de programación y herramientas de análisis de datos.

•  Datos estructurados y no estructurados.
• Herramientas y tecnologías más utilizadas.
• Elementos de un lenguaje de programación.
• Manipulación y exploración de datos.

Aprenderás sobre los conceptos y medidas indispensables que te ayudarán a poder calcular e interpretar los datos para ir generando un reporte con los primeros hallazgos.

• Origen, definición y ramas de la estadística.
• Tipos de datos.
• Pensamiento estadístico.
• Gráficos estadísticos para variables cuantitativas y cualitativas.
• Análisis Exploratorio

Identificarás datos relevantes para limpiarlos, transformarlos y prepararlos para su aprovechamiento y análisis.

• Evaluar la calidad de los datos.
• Relaciones entre variables y descubrimiento de patrones.
• Análisis y detección de outliers.
• Limpieza y formateo de datos.
• Creación de variables de negocio.

Diseñarás herramientas de visualización para exponer los insights encontrados y comunicar los principales hallazgos exploratorios.

• Creación e interpretación de tablas y gráficos.
• Recursos de gráficos univariados y multivariados.
• Gráficas básicas y avanzadas según el tipo de variable.
• Desarrollar preguntas a partir de visualizaciones.

Conocerás la metodología, los fundamentos y recursos disponibles para la aplicación de modelos analíticos, además de entender su ciclo de vida.

• Tipos de análisis de datos: modelos descriptivos, diagnósticos y predictivos.
• Evaluación e interpretación de resultados.
• Data de entrenamiento y validación.
• Balanceo de Datos.
• Aplicaciones y casos de uso

Aplicarás los principales algoritmos que te ayudarán a profundizar en el aprendizaje teniendo en cuenta la interpretación y entendimiento de las técnicas utilizadas.

• Definición e importancia.
• Aprendizaje Supervisado y No Supervisado.
• Principales Algoritmos de Clasificación y Regresión.
• Comparación de Algoritmos. Analítica de Textos. ¿Cuándo no aplicar ML?
• Retos de ML y AI

Construirás una narrativa de datos alrededor de los resultados encontrados para comunicar efectivamente y generar un impacto positivo en las organizaciones.

• Capturar la atención ordenando la historia detrás de los datos.
• Búsqueda de recomendaciones óptimas para la toma de decisiones. Diferencias entre storytelling y «mostrar resultados».
• Implementación de Modelos Analíticos.

TRABAJO FINAL: Durante las semanas de clase desarrollarás un proyecto analítico que irás construyendo tras cada unidad de aprendizaje. Al finalizar el programa, tendrás que presentarlo de manera efectiva y poner a prueba todo lo aprendido. Es decir, interpretar y comunicar tus hallazgos frente a un jurado calificador.   

*El contenido de este índice es referencial.