calendar correo curso diplomado horas lugar in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
Search
Coincidencias exactas
Buscar por
Seleccionar todos
Magisters
Diplomados
Cursos
Profesores
Noticias
Páginas
Consulta por descuento de hasta 30% en diplomados

Modelamiento Estadístico y Sistemas Recomendadores

Aprende a modelar y a utilizar sistemas recomendadores que permitan apoyar decisiones de alto impacto en la gestión de tu organización. Versión disponible a todo Chile y la región.

Antecedentes Generales

Próximamente
Curso Online
Plataforma Moodle en Clase Ejecutiva
75 horas cronológicas
$475.000.- (Convenio Marco ID 1636591)
programas@ing.puc.cl

El curso entrega al alumno conocimientos y habilidades básicas de modelamiento matemático y estadístico que le permitan extraer información útil de un conjunto de datos. En particular, aprenderá –de manera teórica y práctica, utilizando herramientas computacionales- a procesar, clasificar y agrupar datos, y utilizarlos como insumo para sistemas recomendadores.

 

Lo aprendido le permitirá al profesional trabajar con datos para poder convertir éstos en información útil para la toma de decisiones en su organización, en un amplio rango de aplicaciones, y/o para supervisar a equipos de personas dentro de la misma que deban realizar esta tarea.

 

Dirigido a:
Personas que están a cargo de tomar decisiones y que observan potenciales beneficios en el uso de tecnologías relacionadas a Big Data, quienes buscan incrementar significativamente las ventajas competitivas en su organización. El curso está orientado a un amplio rango de profesionales en áreas de gestión, finanzas, comercial, marketing en múltiples sectores desde salud hasta banca, que requieran realizar análisis estadísticos de grandes volúmenes de datos para obtener conclusiones útiles dentro de su organización.

Contenidos del Programa

– Calidad de datos
– Limpieza de datos
– Integración de datos
– Reducción de datos
– Transformación de datos

– El proceso de clasificación
– Árboles de decisión
– Bayes ingenuo
– K-vecinos más cercanos
– Métodos conjuntos: Bagging, Boosting y Random Forests

– Definición y propiedades
– Métodos de partición: K-means y K-medoides
– Métodos jerárquicos

– Impacto y casos importantes
– Filtrado colaborativo
– Filtrado basado en contenido
– Métodos híbridos

Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

Cuerpo Académico

Descargar Brochure
X