¿Qué quieres aprender?

Diplomado ONLINE en Métodos Cuantitativos y Computacionales para Análisis de Datos

Diplomado ONLINE en Métodos Cuantitativos y Computacionales para Análisis de Datos

Universidad Externado de Colombia

Postgrado online


Precio a consultar

Duración : 8 Semanas

La base de datos es un activo fundamental de cualquier organización del siglo XXI que quiera mantener niveles óptimos de rentabilidad y un nicho de mercado creciente y confiable. El análisis de bases de datos utilizando métodos computacionales permite entre otros conocer las tendencias y los gustos de los clientes, visualizar dinámicas poblacionales que permitan prever el consumo presente y futuro de un producto, modelar un mercado de activos financieros y sus riesgos inherentes o, conocer las costumbres de pago en una línea crediticia para estimar el riesgo de impago.

El Diplomado busca que el estudiante fortalezca sus habilidades de análisis y toma de decisiones con fundamentación en estructuras cuantitativas de vanguardia soportadas en modelos computacionales. Estas habilidades son cada vez más apetecidas en el mundo de los negocios pues se requieren para el análisis en entornos económicos y sociales complejos y con altos niveles de incertidumbre.

¿Quieres hablar con un asesor sobre este curso?

Objetivos

Introducir las técnicas numéricas fundamentadas en herramientas estadísticas de visualización y probabilidad. Profundizar en el programa R como lenguaje de programación que permita desarrollar desde los modelos de análisis estadísticos más básicos hasta las bases del aprendizaje de maquina al igual que los más avanzados métodos de análisis de datos,Finalmente, Permitir un eficiente y correcto uso de los datos en la generación de información relevante en los procesos de toma de decisiones en diversos contextos. Después del diplomado, el participante podrá: Utilizar herramientas estadísticas para la gestión y manejo de bases de datos logrando resultados confiables y replicables en el tiempo Desarrollar modelos analíticos para el contexto profesional y/o laboral en que se encuentre fundamentados en métodos cuantitativos y con la confiabilidad de generar datos relevantes para la toma de decisiones en la organización. Desarrollar algoritmos que basados en la teoría de las redes neuronales y métodos de aprendizaje de máquinas para la gestión permanente y recurrente de datos en la organización.

A quién va dirigido

Profesionales de diferentes disciplinas interesados en conocer y actualizarse en técnicas cuantitativas y computacionales para el análisis de datos como herramienta fundamental en los procesos de toma de decisiones.

Temario completo de este curso

TEMA 1 Fundamentos de programación en R y Estadística(Santiago Tellez)
  • Introducción: entorno del lenguaje.
  • Graficas: gráficos elementales en 2D y 3D, graficas de matrices y animación.
  • Programación y funciones: condicionales (if, ifelse), loops (for, while), funciones definidas por el usuario.
  • Graficas descriptivas: Datos cualitativos y cuantitativos.
  • Medidas de localización, dispersión y forma.
  • Análisis de datos bivariados y multivariados: medida de asociación.
  • Distribuciones de probabilidad univariadas y multivariadas.
  • Estimadores y prueba de hipótesis.
TEMA 2 Métodos numéricos, simulación y series de tiempo(John Moreno)
  • Álgebra de matrices: Tipos de matrices, descomposición y sistemas de ecuación no lineales.
  • Procesos estocásticos y simulación: caminatas aleatorias, movimiento Browniano, procesos de difusión, procesos punto, simulación de Monte Carlo.
  • Análisis de series de tiempo: representación, operadores sobre series temporales, ACF y PACF, modelos MA, AR, ARIMA y GARCH.
TEMA 3 Aprendizaje estadístico (ISL) (Diego león)
  • Introducción: Aprendizaje supervisados y no supervisado, Clasificación y regresión.
  • Regresión lineal: Simple, múltiple.
  • Métodos de remuestreo.
  • Función de pérdida.
  • Regularización.
  • Compensación sesgo-varianza.
  • Validación cruzada.
  • Validación y selección de modelos.
  • Selección de características y partición de datos.
  • Clasificación: regresión logística, discriminante lineal, clasificador Bayesiano y KNN.
TEMA 4 Introducción al Machine Learnig (Javier Sandoval)
  • Métodos de árboles, Bagging, Random Forests, Boosting.
  • Support Vector Machines.
  • Clustering.
  • Redes Neuronales.
Ver más