Lo Esencial De La Ciencia De Datos
La Ciencia de Datos es un área interdisciplinaria que se nutre de diversas técnicas, una de ellas es Machine Learning que es una aproximación a la Inteligencia Artificial donde las matemáticas y la programación son elementos absolutamente necesarios.
Este curso consta de tres módulos y sus objetivos principales
son los siguientes:
1. Proveer a los estudiantes de las habilidades técnicas más utilizadas en Ciencia de Datos relacionadas con las
matemáticas y la programación.
2. Invitar a los estudiantes a las maravillosas aplicaciones de de Machine Learning, Data Mining,
Topic Modeling, Forecasting y Sentiment Analysis mediante ejemplos sencillos que ellos puedan
relacionar con casos prácticos relacionados con su área del conocimiento.
¿QUÉ APRENDERAS?
Lo Esencial de la Ciencia de Datos.
Los egresados de este curso tendrán una amplia perspectiva sobre ¿qué es la Ciencia de Datos? ¿qué se puede hacer con los datos? ¿cuáles son las dificultades a las que me puedo enfrentar? ¿cómo una herramienta como Python puede mejorar mi trabajo?
Este curso permitirá a los estudiantes potenciar su carrera y acercarla a la de un científico de datos que soluciona problemas en su área de expertise. Es ideal para:
a) Quienes aún no están seguros si desean aprender más sobre la Ciencia de Datos y desean una corta inmersión en este mundo.
b) Quienes estén por comenzar una maestría o un curso más intensivo sobre el tema y deseen comenzar a practicar.
c) Quienes deseen comunicarse mejor con compañeros Científicos de Datos.
.png)
1. Ciencias Sociales
2. Ciencias de la Salud
3. Economía
4. Desarrollador
5. Mercadotecnia
CARRERAS IDEALES
TEMARIO
1. Regresión, Correlación y Forecasting
1. Modelos Lineales
2. Regresión lineal
3. Correlación
4. Regresión lineal multi-variada
2. Algoritmos de cercanía para la clasificación
1. Distancias Euclidianas y diagramas de Voronoi
2. K-nearest neighbours
3. Evaluación y sobre-ajuste
4. La distancia de Mahalanobis
3. Procesamiento del Lenguaje Natural y análisis de sentimientos
1. Independencia y el Teorema de Bayes
2. Procesamiento de Texto
3. Clasificador Naïve de Bayes
4. Interpretabilidad y Laplace
4. Aprendizaje no-supervisado
1. Nociones del aprendizaje no-supervisado
2. Procesamiento de imágenes
3. K-means y centroides
4. La silueta y el método del codo
5. Outliers y limpieza de bases de datos
1. Nociones sobre outliers
2. Limpieza de bases de datos
3. Local Outlier Factor
4. Implementación
6. Scrapping y Data Mining
1. Medidas de similitud
2. Principios de Scrapping
3. Scrapping y Api’s
4. Sistemas de recomendación
Proyección De Los Estudiantes
Para aprender Machine Learning es indispensable practicar, nosotros proponemos utilizar las anteriores bases de datos pues por motivos de protección de datos, algunas veces no es posible utilizar algunas otras. Estas bases han sido cuidadosamente elegidas para plantear problemas análogos a los que los estudiantes se podrían enfrentar.
Colegio de Matemáticas Bourbaki es un espacio para el aprendizaje personalizado. Aquí se imparten métodos de enseñanza para acercar a las personas al trasfondo
matemático en múltiples fenómenos y procesos. Nuestro objetivo es vincular la academia con aplicaciones de la realidad imperante.
La institución tiene una responsabilidad con la sociedad: procurar siempre el rigor académico en todos sus servicios. Su objetivo es convertir el conocimiento matemático en una inversión sostenible, que genere riqueza.
La especialización es la piedra central de la comprensión de los problemas, el primer paso en la ruta hacia las respuestas que demanda la realidad. La selección de material educativo asertivo y la atención a los detalles correctos aleja a Colegio
Bourbaki de los cursos express. Asumimos que con claridad, constancia y transparencia, se construye un camino intelectual sincero.