calendar correo curso diplomado horas lugar modalidad in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
Escuela de Ingeniería
Coincidencias exactas
Buscar por
Seleccionar todos
Magisters
Diplomados
Cursos
Mooc
Profesores
Noticias
Páginas

Diplomado en Modelos analíticos para la toma de decisiones de negocio (online – MANE)

Desarrolla tu capacidad para transformar datos en decisiones estratégicas. Aprende a aplicar modelos analíticos avanzados para impulsar la toma de decisiones efectivas en cualquier organización.

Este diplomado ofrece la opción de continuar los estudios con el Magíster en Analítica para los Negocios.

Antecedentes Generales

07/10/2024
360 horas totales (96 horas directas y 264 horas indirectas)
$1.800.000 en Chile / USD 2.000 resto del mundo


programas@ing.puc.cl
(+56) 9 5504 4516 - (+56) 9 3353 0870

El Diplomado en Modelos analíticos para la toma de decisiones desarrolla en los egresados la capacidad para abordar, estructurar y analizar problemas de decisiones propios de la gestión de organizaciones, y en el uso de datos e información para orientar y mejorar los procesos de toma de decisiones. Para lograr estos objetivos, se contempla entregar a los estudiantes herramientas de análisis de datos, herramientas de visualización de datos, aplicación de software estadísticos, y desarrollo de modelos descriptivos, predictivos y prescriptivos.

Se entrega una formación interdisciplinaria en los ámbitos de la toma de decisiones en organizaciones y el análisis de bases de datos. Estas capacidades son muy relevantes en los ámbitos de instituciones que han desarrollado procesos de digitalización en su gestión, para lo cual se requiere analizar datos y tomar decisiones en base a información.

El diplomado desarrolla sus contenidos y actividades a través de una metodología de enseñanza online, que combina diferentes recursos de aprendizaje. Entre estos recursos pedagógicos se incluyen clases sincrónicas, videos, textos, audios, foros y otros. Todos estos recursos se encuentran integrados y serán impartidos desde la plataforma virtual Coursera.

Dirigido a:
Profesionales de las áreas de la ingeniería, matemáticas, administración, estadística o disciplinas afines interesados en potenciar las técnicas de analítica de datos para los negocios.

Resultado de aprendizaje general:
- Aplicar modelos analíticos descriptivos, predictivos y prescriptivos en la toma de decisiones para resolver problemas de gestión en distintos tipos de organizaciones.
- Aplicar métodos de aprendizaje estadístico para resumir información, identificar asociaciones y reducir la dimensionalidad de los datos.
- Utilizar software de visualización para desplegar distintos tipos de datos facilitando la toma de decisiones.
- Ejecutar modelos analíticos utilizando softwares estadísticos para abordar problemas de negocios en las organizaciones.

Requisitos de ingreso
- Acreditar estar en posesión del Grado Académico de Licenciado o título profesional universitario en ingeniería, administración, matemáticas o estadística o disciplinas afines, otorgado por una Universidad reconocida por el Estado de Chile, o en el caso de instituciones extranjeras, por el Estado del país correspondiente.
- Acreditación de los conocimientos requeridos:
• Dominio de programación nivel intermedio , para lo cual podrá presentar certificación o bien aprobar prueba de admisión de programación.
• Dominio de estadísticas nivel intermedio , para lo cual podrá presentar certificación o bien aprobar prueba de admisión de estadística.
- Se recomienda contar con un nivel intermedio en inglés (B1 o superior), que le permita leer artículos académicos, documentación y libros en inglés.

* Los cursos de este Diplomado forman parte de la malla del Magíster en Analítica para los Negocios, de las Escuelas de Ingeniería y Administración UC. Una vez aprobado el diplomado, el alumno podrá postular al Magíster mencionado y, de ser aceptado, convalidar estos cursos. La aprobación del diplomado no asegura la admisión al Magíster.

Contenidos del Programa

Al final del curso podrás:
- Identificar la importancia, tipos y aplicaciones de Business Analytics en el desarrollo actual de los negocios.
- Aplicar modelos analíticos de toma de decisiones para resolver problemas de negocio.
- Aplicar metodologías de la analítica descriptiva para pronosticar escenarios futuros inciertos.
- Aplicar modelos de la analítica predictiva para pronosticar escenarios futuros inciertos.
- Aplicar modelos de la analítica prescriptiva para recomendar acciones ante posibles situaciones futuras complejas e inciertas.

Contenidos:
Módulo 1: Mejores decisiones con Business Analytics
• Business Analytics y aplicaciones.
• Analítica descriptiva, predictiva y prescriptiva.

Módulo 2: Modelos de toma de decisiones
• Análisis de decisiones y decisiones con información.
• Modelos de probabilidad. Simulación y ejemplos aplicados.

Módulo 3: Modelos de predicción y optimización
• Modelos de regresión y optimización lineal.
• Ejemplos aplicados.

Módulo 4: Aplicaciones reales y el futuro de la toma de decisiones basada en datos
• Caso General Electric. Caso Starbucks.
• Consideraciones éticas y regulatorias.
• Futuro de la toma de decisiones basada en datos.

Al final del curso podrás:
- Comprender los fundamentos del proceso de minería de datos y las etapas que conlleva un proyecto analítico en un contexto empresarial.
- Distinguir conceptos de programación subyacentes al lenguaje R. Aplicar técnicas de gestión de datos para preparar, analizar, gestionar y almacenar información digital en su organización.
- Aplicar métodos del aprendizaje estadístico para resumir información, identificar asociaciones y reducir la dimensionalidad de los datos. Desarrollar un proyecto analítico y todas las etapas que conlleva utilizando los datos públicos.
- Crear informes de reporterías de análisis de datos para comunicar resultados estadísticos de manera correcta y efectiva. Integrar técnicas de gestión de datos en plataformas de Big Data.

Contenidos:
Módulo 1: Introducción y conceptos básicos del lenguaje R
- ¿Qué es el Data Mining?. Etapas del proceso. Principales plataformas analíticas para hacerlo.
- ¿Cuál es el rol del Big Data?. Principales librerías, lenguaje de programación, funciones, gráficos y principales objetos de R.

Módulo 2: Gestión y visualización de datos
- ¿Cómo adquirir la data?. Tipos de datos y representación. Transformación, depuración y limpieza de la información.
- Terminología de procesamiento de datos: Tabla, Fila y Columna.
- Consultas básicas de manipulación de datos con la librería dplyr en R.
- Estadísticas descriptivas de los datos. Resumen para datos categóricos. Medidas de similitud y asociación.
- Visualización de los datos con ggplot2 y plotly.

Módulo 3: Reducción de la información y comunicación de los resultados
- La maldición de la dimensionalidad.
- Análisis de correlación de variables. Componentes principales. Aplicación a caso de negocio.
- Gráficos interactivos.
- Reportes R Markdown.
- Introducción a flexdashboards y Shiny.

Módulo 4: Integración con Big Data
- Plataformas de Big Data.
- Introducción Apache Spark para el análisis de grandes volúmenes de datos.
- Conexión de R con Apache Spark para tareas distribuidas.
- Ilustraciones.

Al final del curso podrás:
- Evaluar visualizaciones de información existentes proponiendo mejoras.
- Identificar relaciones entre tipos de datos, tareas de visualización y tipos de gráfico.
- Diseñar visualizaciones de información a partir de datos.
- Implementar en lenguaje Python gráficos simples y avanzados usando datasets tabulares y gráficos para visualizar datos de texto y espaciales. Implementar usando datasets de red.

Contenidos:
Módulo 1: Fundamentos
- Abstracción de datos.
- Marcas y canales.
- Percepción y procesamiento humano de la información.
- Reglas y recomendaciones generales para visualizaciones efectivas.

Módulo 2: Representaciones estáticas y sus algoritmos
- Modelo anidado de Munzner para diseño y validación de visualización.
- Datos tabulares.
- Árboles, Grafos y Redes.
- Funciones básicas de librerías de visualización en Python.

Módulo 3: Implementación de gráficos en Python con datos tabulares
- Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado.
- Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado.
- Reducción de dimensionalidad.

Módulo 4: Implementación de gráficos en Python con datos de red, texto y espaciales
- Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado.
- Visualización básica de datos de texto y datos espaciales.

Al final del curso podrás:
- Comprender la utilidad de los modelos de aprendizaje estadístico para apoyar la toma de decisiones en un contexto empresarial.
- Identificar las etapas que contempla un proyecto analítico. Distinguir los principales métodos de modelamiento predictivo y de segmentación de un conjunto de datos. Seleccionar un determinado modelo analítico sobre un conjunto de datos reales.
- Aplicar el modelamiento analítico sobre un conjunto de datos reales para resolver problemas de negocios utilizando las principales librerías de R.

Contenidos:
Módulo 1: Introducción
- Predicción v/s interpretación. Inputs y terminologías.
- Etapas para construir un modelo predictivo. Tipos de modelos: supervisado v/s no supervisado. Estrategias generales: missing values, crear variables dummies.

Módulo 2: Modelos de regresión y clasificación
- Medidas de Performance en los modelos de regresión. The Variance-Bias Trade-off.
- Modelos de regresión lineal con regularización LASSO, RIDGE. Modelos de árboles de regresión y clasificación.
- Bagging y Random Forest. Boosting. Regresión logística. Support Vector Machines.

Módulo 3: Modelos de segmentación de Perfiles
- Medidas de similaridad. Reglas de asociación.
- Heatmaps. K-medias y Fuzzy. Casos estudios.

Módulo 4: Evaluación de modelos, sobreajuste y tunning
- Evaluación modelos predictivos de clasificación: matriz de confusión, medidas de precisión: tasa de error de clasificación, tasa de precisión, sensitividad y especificidad. Curva de ROC.
- Evaluación modelos predictivos de regresión: medidas de precisión: MAE, MAPE, RMSE. Validación cruzada y Bootstrap. Problemas de sobreajustar el modelo. Tunning del modelo.

Nota:

Cuerpo Académico


¿Te gusta esta publicación?

Comparte esta publicación


Diplomado en Modelos analíticos para la toma de decisiones de negocio (online - MANE)

Déjanos tus datos y recibe la información en tu correo:

Al momento de inscribirme autorizo a la Escuela de Ingeniería UC para mantener y tratar mis datos personales, todo conforme a la Ley Nº19.628, “Sobre Protección de la Vida Privada”. Revisa las Políticas UC aquí.
Este sitio está protegido por reCAPTCHA y se aplican la política de privacidad y términos del servicio de Google.

Webpay
Pago disponible con tarjetas de crédito de Chile hasta en 12 cuotas precio sin interés

 

40% Personas mayores de 60 años.
30% Exalumnos, colaboradores UC y DUOC, exalumnos de Educación Profesional de Ingeniería UC, Tarjeta vecino Providencia y Las Condes.
25% Convenio Ingeniería.
15% Funcionarios de servicios públicos.

Programas relacionados

Descargar Brochure
Necesitas ayuda? Conversemos