calendar correo curso diplomado horas lugar in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
X
Coincidencias exactas
Buscar por
Magisters
Diplomados
Cursos
Profesores
Noticias
Search
Coincidencias exactas
Buscar por
Seleccionar todos
Magisters
Diplomados
Cursos
Profesores
Noticias

Minería de Datos e Introducción a Deep Learning


Aprende a extraer conocimiento relevante desde las bases de datos a través de herramientas de Minería de Datos y Deep Learning.

Antecedentes Generales

Curso Cerrado
Próximamente
Por confirmar
30 horas cronológicas - 40 horas pedagógicas
$555.556.- 15% Convenio marco
programas@ing.puc.cl
+56 2 2354 4516

El objetivo de este curso es proporcionar al alumno elementos que le permitan entender las principales teorías y prácticas de la emergente área de minería de datos.

Dirigido a:

Este es un curso cerrado dirigido a profesionales de la Subdirección Técnica y el Departamento de Metodologías e Innovación Estadística del Instituto Nacional de Estadísticas.


Contenidos del Programa

– Elementos conceptuales.
– Data Warehouse y OLAP.
– Big Data: grandes volúmenes de datos, no-estructurados, variados.
– Tipos de modelos.
– Forma o workflow de desarrollo de modelos. KDD.

– Captura y obtención de grandes datos.
– Tecnologías de gestión de grandes volúmenes de datos.
– Análisis de datasets desbalanceados, incompletos, outliers.
– Transformación, normalización, limpieza.
– Reducción dimensional, análisis de componentes principales (PCA).
– Técnicas de integración.

– Modelos de predicción. Algoritmo a priori.
– Modelos de clasificación supervisada. SVM, árboles de decisión, redes neuronales, Naive Bayes.
– Modelos de clasificación no-supervisada. Clustering particional, K-Means, eans-Shift, HDBScan. Medida de similaridad entre elementos.
– Modelos de regresión. Regresión: lineal, polinomial, logística.

– Workflow de evaluación. Hold out, Cross validatio, distribution drift, refinamiento de hiper-parámetros.
– Métricas de evaluación. Accuracy, precision, recall, RMSE.

– Definiciones esenciales.
– Uso de Deep Learning para NLP. Word Embedding, redes neuronales convolucionales, redes neuronales recurrentes.


Cuerpo Académico

  • Claudia Halabí
    Directora Ejecutiva de Educación Profesional Ingeniería UC
    claudia.halabi@ing.puc.cl

    Ph.D en Economía de la Universidad de Georgia, EEUU. Ingeniero Comercial de la Universidad de Chile.

    Profesor Asistente Adjunto de la Escuela de Ingeniería UC. Profesor Adjunto de la Universidad de Chile. Directora Ejecutiva de Educación Profesional de la Escuela de Ingeniería UC. Especialización en estrategia, organización industrial, análisis de productividad y econometría. Cursó el Executive Program in Corporate Strategy en la Universidad de Chicago, Disciplines of Innovation Certificate en la Universidad de Stanford, y el Global Colloquium on Participant Centered Learning en Harvard University.  Posee diversas publicaciones en prestigiosas revistas académicas en las áreas de Finanzas Internacionales, Productividad y Eficiencia, y Estrategia en pequeñas y medianas empresas.

  • Rodrigo Sandoval
    CEO y fundador de R: Solver
    programas@ing.puc.cl

    Ingeniero Civil, mención Ciencias de la Computación y Master of Science, Pontificia Universidad Católica de Chile (UC). Profesor de Ciencias de la Computación de la UC en las áreas de Ingeniería de Software e Inteligencia Artificial, en pregrado y postgrado. CEO y fundador de R: Solver.

Solicita información y brochure aquí:

Este sitio está protegido por reCAPTCHA y se aplican la política de privacidad y términos del servicio de Google.

¿Listo para postular?


Postula Aquí

 

¿Te gustó este programa?
¡Compártelo en tus redes sociales!

Programas relacionados

Minería de Procesos

Fecha de inicio: 11/03/2020

El Mundo del Big Data

Fecha de inicio: Próximamente

Casos de Estudio en Big Data

Fecha de inicio: 19/11/2019
X