Plan de Estudios

Módulo 1: INTRODUCCIÓN. ¿POR QUÉ MODELAR?¿QUÉ IMPACTO TIENE ESTO EN EL
TRABAJO COMERCIAL?
  • ¿De qué hablamos cuando hablamos de Big Data, Data Mining y Data Science? ¿Como nos ayuda en la toma de decisiones comerciales?
  • Técnicas de aprendizaje automático y mineria de datos para clientes y datos de ventas.
  • Algoritmos y modelado estadístico de datos para comprender y aprovechar los enormes volúmenes de datos existentes dentro de una organización.

Módulo 2.MODELOS LINEALES Y PROYECCIONES. COMPARACIÓN DE PREDICCIONES.
● Modelos lineales y poyecciones de ventas y acciones de clientes
● Regresiones lineales y no lineales: datos de entrenamiento y datos de prueba
● ¿Cómo construir un modelo predictivo evitando el overfitting?
● Métricas para evaluar cuán efectivos resultaron los modelos predictivos.

Módulo 3. MODELOS PREDICTIVOS: ÁRBOLES Y RANDOM FOREST
● Modelos prectivos, árboles de decisión y ensambles.
● Tecnologías para analizar y comparar múltiples modelos a la vez para un mismo set de
datos.
● Problemas de Churn y su relación con los árboles de decisión

Módulo 4. MÉTRICAS: CÓMO EVALUAR UN MODELO DE MACHINE LEARNING
● F1, Accuracy, Recall & Precision
● Correlación y causalidad. R2
● Visualización de las métricas.

Módulo 5. SEGMENTACIÓN: CADA COSA EN SU LUGAR
● Segmentación y su importancia en la estrategia comercial
● Tipos de segmentación
● Algoritmos de clustering: problemas supervisados y no supervisados
● Redes neuronales y problemas de clasificación

Módulo 6. NLP Y PROCESAMIENTO DE LENGUAJE
● Procesamiento de lenguaje natural en documentos
● Clasificación
● Análisis de sentimientos
● Transformers

Módulo 7. ESCENARIOS FUTUROS & CLOUD
● ¿Qué es un entorno cloud? ¿Para qué lo necesitamos?
● IA en la nube: ¿Qué beneficios nos ofrece versus el trabajo local?
● Reinforcement Learning & Agentes multimodales

Módulo 8. APRENDIZAJE AUTOMÁTICO E INTELIGENCIA ARTIFICIAL: APLICABILIDAD
● Problemas de Computer Vision
● Casos de NLP y procesamiento de documentos de la empresa
● Detección de anomalías en nuestro set de datos utilizando Machine Learning y Deep
Learning