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

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.
• Analítica predictiva.
• Analítica prescriptiva.

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

Módulo 3: Modelos de predicción y optimización
• Modelos de regresión.
• Modelos de 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 de Data Mining.
- Principales plataformas analíticas para hacer Data Mining.
- ¿Cuál es el rol del Big Data?
- Principales librerías de R.
- Lenguaje de programación y principales objetos de R.
- Funciones y gráficos en 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.
- Introducción a 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.
- Implementar en lenguaje Python gráficos usando datasets de red.
- Implementar en lenguaje Python gráficos para visualizar datos de texto y espaciales.

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.
- Visualización básica de 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.