[+] CONSULTA LA OFERTA FORMATIVA DE CURSOS/MICROCURSOS
Fechas: 25 y 27 de abril y 4, 9, 11, 16 y 18 de mayo de 2022
Horas: 16 horas
Horario: Desde las 16:30h a 19:00h (las últimas tres sesiones serán de 2h.)
Matrícula: 130 euros.
PRESENTACIÓN
Explora todas las posibilidades que te ofrece la Ciencia de Datos, y descubre por qué es tan popular y demandada hoy en día. En este curso no técnico, no necesitas realizar programación ni cálculos, utilizaremos ejercicios prácticos para comprender las diferentes habilidades y herramientas que poseen los científicos de datos.
Te ayudaré a dominar la jerga del mundo Data Science, descubriremos el Data Mining, Big Data, Artificial Intelligence, Machine Learning y Deep Learning; conocerás cómo estas emocionantes tecnología impulsan el mundo. ¿Cómo funcionan todas estas herramientas, cuándo puedes utilizarlas y cuáles son sus principales diferencias? Adquiere habilidades en este campo tan demandado e influyente y descubre por qué la Ciencia de Datos es para todos.
OBJETIVOS
• Dominar los fundamentos de la Ciencia de Datos.
• Limpiar y ordenar bases de datos. Detectar problemas en los datos y solucionarlos.
• Explorar e interpretar datos mediante gráficos, tablas y estadísticos de resumen.
• Diseñar experimentos rigurosos para responder preguntas de investigación.
• Utilizar inferencia estadística para evaluar asociaciones y realizar comparaciones en tus datos. Conocer la potencia estadística y el tamaño de efecto.
• Comprender qué son las predicciones de los modelos y cómo se evalúan.
• Comprender qué es el Machine Learning, Inteligencia artificial y Deep Learning. Conocerlas distintas técnicas que utilizan.
DOCENTE
PROGRAMA
• Introducción a la Ciencia de Datos. Comenzaremos definiendo qué es la Ciencia de Datos, cómo es su flujo de trabajo, cuáles son los roles profesionales involucrados y cómo se aplica a problemas del mundo real.
• Recolección y preparación. Conocerás las distintas fuentes de datos que te puedes encontrar, cómo recolectar, almacenar y preparar los datos para posteriores análisis. Esta etapa comprende el 80% del tiempo de un científico de datos, así que es un paso clave. La preparación de datos incluye la limpieza y manipulación de los datos. Veremos cómo detectar problemas en tus datos, como los valores ausentes y valores atípicos. Discutiremos qué es el Big Data y cómo trabajar con ellos.
• Exploración y visualización. Aprenderás a explorar tus datos. La visualización y el resumen de tus datos te permitirá comunicar de manera impactante la historia de tus datos. Aprenderás a interpretar gráficos, tablas y estadísticos de resumen comunes. También veremos cuáles son las mejores prácticas y cómo evitar errores comunes.
• Experimentación. Si deseas utilizar datos para responder una pregunta, necesitas diseñar un experimento. Un diseño experimental adecuado nos permite reducir costos, aumentar la eficacia de la experimentación, evitar los problemas que suelen surgir en la etapa de análisis de datos y revelar la naturaleza esencial de un proceso. Aprenderás sobre diseño experimental básico, control, replicación, aleatorización, bloqueo y factorización, para crear experimentos eficientes y confiables.
• Inferencia estadística. Aprenderás a mejorar tus preguntas de investigación en base a la inferencia estadística. Veremos cuándo utilizar cada tipo de prueba de hipótesis, cómo interpretar los resultados y cómo comunicarlos. Discutiremos distintos enfoques (métodos paramétricos, no paramétricos y robustos), la importancia de la potencia estadística y del tamaño del efecto.
• Predicción. Predecir el futuro para la toma de decisiones basada en datos es un campo de investigación de gran demanda. Una de sus principales aplicaciones es el análisis de series temporales. Aprenderás a visualizar los principales patrones de series temporales, observaciones inusuales y cambios a lo largo del tiempo. Discutiremos los principales métodos de predicción y cómo evaluar la precisión de las predicciones.
• Machine Learning, Inteligencia artificial y Deep Learning. Definiremos qué es el aprendizaje automático y qué herramienta se ajusta mejora cada tipo de problema: aprendizaje supervisado (clasificación y regresión), no supervisado (agrupación y estimación de densidad) y profundo (Deep Learning). Aprenderás también cómo es el proceso o flujo de trabajo que deberás utilizar, cómo construir modelos y cómo evaluar su rendimiento o error. Aprenderás qué es el aprendizaje profundo, la técnica detrás de las capacidades más interesantes de la inteligencia artificial. Discutiremos sus conceptos fundamentales y la terminología utilizada en redes neuronales. Veremos cómo se construye, optimiza y valida una red neuronal simple.
DESARROLLO
Sesión 1: Introducción a la Ciencia de Datos
Sesión2: Recolección y preparación
Sesión 3: Exploración y visualización
Sesión 4: Experimentación
Sesión 5: Inferencia estadística
Sesión 6: Predicción
Sesión 7: Machine Learning, Inteligencia artificial y Deep Learning
DESTINATARIOS
No se necesitan conocimientos previos ni habilidades de programación. A través de ejercicios prácticos, aprenderás a comprender los datos y obtendrás las habilidades fundamentales que necesitas para hablar el idioma de los datos.
L | M | X | J | V | S | D |
---|---|---|---|---|---|---|
1
|
2
|
3
|
4
|
5
|
6
|
|
7
|
8
|
9
|
10
|
11
|
12
|
13
|
14
|
15
|
16
|
17
|
18
|
19
|
20
|
21
|
22
|
23
|
24
|
25
|
26
|
27
|
28
|
29
|
30
|
31
|