Descripción
El actual escenario de la Cuarta Revolución Industrial ha acelerado el proceso de cambios en la Transformación Digital de Empresas y Organizaciones, lo cual impacta en las formas de operar y en un incremento del volumen de datos claves para la toma de decisiones y competitividad. Este contexto ha generado en los últimos años una alta demanda de profesionales capaces de transformar el mundo tradicional de los negocios, para crear procesos y soluciones innovadoras, a nivel global. Por lo tanto, la reinvención debe comenzar por los profesionales que le darán forma a esta nueva manera de vivir la digitalización, ya que son ellos quienes deben guiar a las organizaciones en tomar el reto, liderar procesos frente a cambios continuos y avances exponenciales en materia de tecnología e innovación.
El propósito principal de este Diplomado es fortalecer las competencias de los participantes para la implementación de procesos de análisis y gestión de datos utilizando herramientas especializadas en la identificación de patrones y técnicas predictivas, con el fin de aportar valor a la empresa a través de la generación de información clave para la toma de decisiones.
Objetivos
Desarrollar estrategias de gestión y análisis de datos a través de herramientas tecnológicas especializadas.
Orientado
A Jefes de proyectos, líderes de proyectos, analistas de datos, ingenieros de datos, científicos de datos, profesionales que trabajan realizando/presentando análisis de datos. Trabajadores del área de finanzas, logística, marketing, especialmente comercial u otras similares.
Requisitos de ingreso
- Comprender código fuente de Python.
- Nivel básico de: programación, Python y SQL.
- Poseer conocimientos sobre estadística descriptiva e inferencial.
- Conocimientos generales de Excel o alguna herramienta para visualización de datos (power Bi, Tableau, otros).
Contenido del Diplomado
Curso I: Gobernanza de datos y Business Intelligence en las organizaciones
Unidad 1: Fundamentos de datos y procesos empresariales
Introducción a la gobernanza de datos
- Definición e importancia de la gobernanza de datos en las organizaciones.
- Concepto y dimensiones de la calidad.
- Métodos para evaluar y mejorar la calidad.
Seguridad de los datos
- Fundamentos de seguridad de datos.
- Amenazas y riesgos de seguridad.
- Medidas de seguridad y buenas prácticas.
Ética y regulaciones de la gestión de datos
- Cumplimiento y regulaciones.
- Implicaciones legales y ética en la gestión de datos.
Tecnologías en la gobernanza de datos
- Mejores prácticas en gestión de datos.
- Consideraciones sobre la privacidad y confidencialidad.
Unidad 2: Inteligencia de negocios y minería de datos
Introducción a la Inteligencia de Negocios
- Definiciones y conceptos claves de BI.
- Toma de decisiones estratégicas en BI.
Arquitectura en Sistemas BI
- Componentes esenciales de un sistema BI.
- Integración de datos en sistemas de BI.
Análisis avanzado de Datos
- Técnicas de análisis avanzado como OLAP.
- Técnicas de análisis en descubrimiento de tendencias (Data Mining).
- Identificación de mejoras y optimización de procesos.
Visualización de datos y reporting
- Creación de informes y herramientas de visualización.
Curso II: Estadística y Python
Unidad 1: Análisis Estadístico Descriptivo en Python
Introducción a Google Colab:
- Ambiente de trabajo y características de Google Colab
- Creación y manejo básico de notebooks
Limpieza y Preparación de Datos:
- Detección y manejo de datos faltantes
- Manejo de datos atípicos
- Transformación y normalización de datos
Estadísticas Básicas y Visualización de Datos:
- Medidas de tendencia central, dispersión y forma
- Representaciones gráficas básicas con Matplotlib y Seaborn
Análisis Multivariante Introductorio:
- Concepto de correlación y covarianza. Introducción al análisis de componentes principales
Aplicación en Python con pandas y Numpy:
- Exploración de datasets
- Cálculos estadísticos básicos y visualización
Unidad 2: Análisis Estadístico Inferencial en Python
Introducción al Análisis Inferencial:
- Diferencias entre estadística descriptiva e inferencial
- Concepto de población y muestra
- Variable aleatoria
- Distribuciones de muestreo y teorema del límite central
Intervalos de Confianza:
- Concepto y cálculo de intervalos de confianza para medias
Pruebas de Hipótesis:
- Introducción a las pruebas de hipótesis
- Pruebas para una muestra (t-test)
Análisis de Regresión Simple:
- Conceptos básicos de regresión lineal
- Evaluación del ajuste del modelo y predicción
Aplicación en Python con Statsmodels:
- Construcción y evaluación de modelos
- Interpretación de resultados
Curso III: Aplicación de herramientas computacionales para Machine Learning
Unidad 1: Técnicas para la exploración y preparación de datos
Análisis exploratorio de datos y uso de Jupyter Notebook mediante Google Colab
- Librerías:
- Numpy
- Pandas
- Scikit-Learn
Procesos de limpieza de datos: lectura de datos desde archivo y desde URL externa
Visualizaciones básicas de un DataFrame
Unidad 2: Técnicas de predicción de datos con Machine Learning
Algoritmos de aprendizaje supervisado:
-
- Técnicas de clasificación:
- Regresión logística
- Métodos basados en árboles
- Support Vector Machine
- Técnicas de regresión:
- Regresión lineal
- Métodos basados en árboles
- Support Vector Machine
- Técnicas de clasificación:
Algoritmos de aprendizaje no supervisado:
- Análisis de conglomerados para datos numéricos, categóricos y mixtos
- Reducción de dimensionalidad para datos numéricos
Uso de e Python para realizar estos algoritmos
Curso IV: Deep Learning: Poniendo a prueba las redes neuronales.
Unidad 1: Bases del Deep Learning: cimientos de la IA
- El perceptrón como unidad básica de las redes neuronales
- Regresores naturales y las básicas MultiLayer Perceptron (MLP)
- Algoritmos como el descenso del gradiente y sus variantes
- Retropropagación del error
- Técnicas de generalización
- Funciones de activación y regularización
Unidad 2: Aplicaciones del Deep Learning: pongamos a trabajar algunas arquitecturas de red neuronal
- La convolución y el residuo, desde la arquitectura ResNet
- Clasificación de imágenes y arquitecturas como LSTM y transformer para NLP
- Clasificación de sentimientos en texto como escenario aplicado
Curso V: Storytelling with data
Unidad 1: Técnicas para la visualización de datos
- ¿A qué nos referimos cuando hablamos de Storytelling?
- Elementos claves del Storytelling
- Establecer estrategias de Storytelling según la audiencia
- Selección de datos útiles
- Eliminación de la sobrecarga
- Visualización según tipos de datos
- Dirigir la atención
- Elementos visuales claves
Unidad 2: Técnicas para la presentación creativa de datos
Definición de Storytelling y sus elementos clave
La importancia del contexto: establecer estrategias de Storytelling según la audiencia
- Preguntas para saber más del contexto
- Técnicas de Storytelling
Selección de datos útiles:
- Tipos de datos
- Tipos de gráficos
- Elementos visuales clave
- Buenas prácticas en elementos visuales
Eliminación de la sobrecarga (caos/desorden):
- Principios de diseño gráfico
- Teoría de Gestalt
- Ley de semejanza
-
Financiamiento
Descuentos
- 30% Titulados Duoc UC*
- 15% - 25% Ex-alumnos de Educación Continua*
- Consulta por descuentos promocionales (*Descuentos no acumulables)
Métodos de pago
- Botón Webpay: 3 cuotas sin interés todos los bancos / Botón Paga con tu Banco: 6 cuotas sin interés Banco Santander
- Transferencia
- Orden de compra Empresa