Especialización en Técnicas, Algoritmos y Herramientas para Data Science

Postítulo

Online

$ 1.399.995 IVA inc.

Descripción

  • Tipología

    Postítulo

  • Metodología

    Online

  • Horas lectivas

    450h

  • Duración

    6 Meses

  • Inicio

    Fechas disponibles

  • Campus online

  • Clases virtuales

TECH - Universidad Tecnológica

La ciencia de los datos domina prácticamente todos los ámbitos empresariales de hoy en día. Desde la ciberseguridad hasta las finanzas, medicina o industria, las aplicaciones de esta nueva revolución de los datos son casi infinitas, suponiendo también grandes oportunidades para los profesionales que busquen una mejora en su propio trabajo. Por ello, TECH ha elaborado esta titulación, que pone el foco en las técnicas, algoritmos y herramientas más innovadoras en el Data Science, con la que el alumno mejorará ampliamente sus capacidades profesionales y, al mismo tiempo, podrá optar a cargos directivos de mayor prestigio y remuneración económica en cualquier ámbito empresarial que se proponga.

Información importante

Documentación

  • 221especializacion-tecnicas-algoritmos-herramientas-data-science--.pdf

Sedes y fechas disponibles

Ubicación

comienzo

Online

comienzo

Fechas disponiblesInscripciones abiertas

A tener en cuenta

Objetivos
- Desarrollar habilidades para convertir los datos en información de la que se pueda extraer conocimiento
- Determinar las características principales de un Dataset, su estructura, componentes y las implicaciones de su distribución en el modelado
- Fundamentar la toma de decisiones realizando análisis completos previos de los datos
- Desarrollar habilidades para resolver casos prácticos haciendo uso de técnicas de Ciencia de Datos
- Establecer las herramientas y métodos generales más apropiados para modelar cada Dataset en función del preprocesamiento realizado
- Evaluar los resultados de forma analítica, comprendiendo el impacto de la estrategia escogida en las distintas métricas

Este programa tiene el objetivo de guiar a los ingenieros informáticos hacia la excelencia académica, profesional y gerencial. Por este motivo, se han desarrollado una serie de objetivos que permitirán examinar las principales técnicas de selección, preprocesamiento y transformación previo a un proceso de minería de datos.

Este Experto Universitario en Técnicas, Algoritmos y Herramientas para Data Science contiene el programa más completo y actualizado del mercado.

Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Experto Universitario emitido por TECH Universidad Tecnológica.

El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Experto Universitario, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.

Título: Experto Universitario en Técnicas, Algoritmos y Herramientas para Data Science
N.º Horas Oficiales: 450 h.

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Materias

  • Algoritmos
  • Informacion
  • Dataset
  • Minería
  • Avanzadas
  • Visualización
  • Estadística
  • Finanzas
  • Redes

Profesores

Arturo Peralta Martín-Palomino

Arturo Peralta Martín-Palomino

Profesor

Temario

Módulo 1. Herramientas de Ciencia de Datos

1.1. Ciencia de Datos

1.1.1. La Ciencia de Datos
1.1.2. Herramientas avanzadas para el científico de datos

1.2. Datos, información y conocimiento

1.2.1. Datos, información y conocimiento
1.2.2. Tipos de datos
1.2.3. Fuentes de datos

1.3. De los datos a la información

1.3.1. Análisis de datos
1.3.2. Tipos de análisis
1.3.3. Extracción de Información de un Dataset

1.4. Extracción de información mediante visualización

1.4.1. La visualización como herramienta de análisis
1.4.2. Métodos de visualización
1.4.3. Visualización de un conjunto de datos

1.5. Calidad de los datos

1.5.1. Datos de calidad
1.5.2. Limpieza de datos
1.5.3. Preprocesamiento básico de datos

1.6. Dataset

1.6.1. Enriquecimiento del Dataset
1.6.2. La maldición de la dimensionalidad
1.6.3. Modificación de nuestro conjunto de datos

1.7. Desbalanceo

1.7.1. Desbalanceo de clases
1.7.2. Técnicas de mitigación del desbalanceo
1.7.3. Balanceo de un Dataset

1.8. Modelos no supervisados

1.8.1. Modelo no supervisado
1.8.2. Métodos
1.8.3. Clasificación con modelos no supervisados

1.9. Modelos supervisados

1.9.1. Modelo supervisado
1.9.2. Métodos
1.9.3. Clasificación con modelos supervisados

1.10. Herramientas y buenas prácticas

1.10.1. Buenas prácticas para un científico de datos
1.10.2. El mejor modelo
1.10.3. Herramientas útiles

Módulo 2. Minería de Datos. Selección, preprocesamiento y transformación

2.1. La inferencia estadística

2.1.1. Estadística descriptiva vs. inferencia estadística
2.1.2. Procedimientos paramétricos
2.1.3. Procedimientos no paramétricos

2.2. Análisis exploratorio

2.2.1. Análisis descriptivo
2.2.2. Visualización
2.2.3. Preparación de datos

2.3. Preparación de datos

2.3.1. Integración y limpieza de datos
2.3.2. Normalización de datos
2.3.3. Transformando atributos

2.4. Los valores perdidos

2.4.1. Tratamiento de valores perdidos
2.4.2. Métodos de imputación de máxima verosimilitud
2.4.3. Imputación de valores perdidos usando aprendizaje automático

2.5. El ruido en los datos

2.5.1. Clases de ruido y atributos
2.5.2. Filtrado de ruido
2.5.3. El efecto del ruido

2.6. La maldición de la dimensionalidad

2.6.1. Oversampling
2.6.2. Undersampling
2.6.3. Reducción de datos multidimensionales

2.7. De atributos continuos a discretos

2.7.1. Datos continuos versus discretos
2.7.2. Proceso de discretización

2.8. Los datos

2.8.1. Selección de datos
2.8.2. Perspectivas y criterios de selección
2.8.3. Métodos de selección

2.9. Selección de Instancias

2.9.1. Métodos para la selección de instancias
2.9.2. Selección de prototipos
2.9.3. Métodos avanzados para la selección de instancias

2.10. Preprocesamiento de datos en entornos Big Data

2.10.1. Big Data
2.10.2. Preprocesamiento “clásico” versus masivo
2.10.3. Smart Data

Módulo 3. Diseño y desarrollo de sistemas inteligentes

3.1. Preprocesamiento de datos

3.1.1. Preprocesamiento de datos
3.1.2. Transformación de datos
3.1.3. Minería de datos

3.2. Aprendizaje automático

3.2.1. Aprendizaje supervisado y no supervisado
3.2.2. Aprendizaje por refuerzo
3.2.3. Otros paradigmas de aprendizaje

3.3. Algoritmos de clasificación

3.3.1. Aprendizaje Automático Inductivo
3.3.2. SVM y KNN
3.3.3. Métricas y puntuaciones para clasificación

3.4. Algoritmos de regresión

3.4.1. Regresión lineal, regresión logística y modelos no lineales
3.4.2. Series temporales
3.4.3. Métricas y puntuaciones para regresión

3.5. Algoritmos de agrupamiento

3.5.1. Técnicas de agrupamiento jerárquico
3.5.2. Técnicas de agrupamiento particional
3.5.3. Métricas y puntuaciones para Clustering

3.6. Técnicas de reglas de asociación

3.6.1. Métodos para la extracción de reglas
3.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación

3.7. Técnicas de clasificación avanzadas. Multiclasificadores

3.7.1. Algoritmos de Bagging
3.7.2. Clasificador “Random Forests”
3.7.3. “Boosting” para árboles de decisión

3.8. Modelos gráficos probabilísticos

3.8.1. Modelos probabilísticos
3.8.2. Redes bayesianas. Propiedades, representación y parametrización
3.8.3. Otros modelos gráficos probabilísticos

3.9. Redes Neuronales

3.9.1. Aprendizaje automático con redes neuronales artificiales
3.9.2. Redes Feedforward

3.10. Aprendizaje profundo

3.10.1. Redes Feedforward profundas
3.10.2. Redes neuronales convolucionales y modelos de secuencia
3.10.3. Herramientas para implementar redes neuronales profundas

Especialización en Técnicas, Algoritmos y Herramientas para Data Science

$ 1.399.995 IVA inc.