Curso Introducción a la ingeniería estadística de características y modelos predictivos

Inscríbete

Información General

La Universidad Escuela Colombiana de Ingeniería otorga certificado de asistencia
Título
36 horas Duración
remota Modalidad
nocturna Jornada
Redes sociales
- Twitter
- Facebook
- Instagram
- Linkedin

Aprende a utilizar el conocimiento de los datos para transformar o crear características y construir mejores modelos predictivos.

Las mejores decisiones económicas, empresariales, políticas y sociales se toman basadas en el análisis de información. El acceder a información de calidad en la toma de decisiones te ayudará a detectar cuales son los puntos débiles que necesita mejorar y tener mayor oportunidad de mejora en un contexto determinado. Por esta razón el objetivo de este curso es desarrollar las habilidades necesarias para organizar un conjunto de datos y dejarlo listo para modelos predictivos eficientes.

“El objetivo es convertir los datos en información y la información en conocimiento".

Carly Fiorina, Ex Director General, Hewlett Packard

Además, de lo anterior el curso se centrará en el modelamiento de clasificación, regresión y agrupación para analizar patrones de datos con el fin de determinar eventos o resultados futuros.

Por qué estudiar con nosotros

Este curso le va a permitir liderar proyectos predictivos en datos por que va a:

Preparar un conjunto de datos utilizando técnicas de ingeniería de características como imputar datos faltantes, codificar variables categóricas, convertir variables numéricas en intervalos discretos y manejar datos atípicos
Evaluar la calidad y fiabilidad del resultado de diferentes tipos de modelos teniendo en cuenta sus limitantes.
Interpretar la solución de cada modelo planteado en el contexto del problema.

Metodología

El desarrollo de curso se caracteriza por su componente de aplicación en lenguajes de programación en datos como R y Python, estudios de casos, trabajo grupal y autónomo.

Contar con conexión a internet de banda ancha.
Disponer de audífonos (diadema o manos libres) para aislar el ruido externo.
Verificar que el equipo de cómputo no haya sido bloqueado para conexiones a herramientas de Microsoft.
En caso de ser miembro de Microsoft Teams con otra cuenta, cerrar las sesiones que la involucren e ingresar con un navegador libre de caché.
Conectarse a las sesiones de clase con mínimo diez minutos de antelación, de manera que verifique la conexión y realice los ajustes del caso.
Disponer de materiales para tomar apuntes.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorgará el certificado de asistencia a quienes participen activa y cumplidamente como mínimo en el 90 % de las sesiones programadas.

Perfil del aspirante

Contenido temático

Datos faltantes
Codificación de variables categóricas
Transformación de variables
Discretización de variables
Ingeniería de outliers

Modelos de regresión: Modelo de regresión lineal múltiple, simple y logístico
Modelos de clasificación; Random forest, support vector maching, redes bayesianas
Modelos de Agrupación: k- nearest neighbors y DBSCAN

El curso se desarrollará entre el 25 de septiembre y el 26 de octubre, de lunes a viernes de 7:00 p.m. a 9:00 p.m., en modalidad remota vía Microsoft Teams.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito, para sus programas de Educación Continuada, se reserva el derecho de cambiar sus conferencistas y fechas de realización, o cancelarlos de no contar con el número de personas requerido para tal fin. Lo anterior se informará a los interesados con antelación.

Objetivos alcanzables

Proporcionar a los participantes una comprensión sólida de los conceptos fundamentales de la ingeniería estadística de características y modelos predictivos, y su aplicación en el mundo real para resolver problemas complejos.

Comprender los conceptos y principios clave de la ingeniería estadística de características y modelos predictivos, incluyendo la selección de características, la extracción de características, la normalización de datos, la creación de características nuevas y la selección del modelo adecuado.

Aprender a utilizar herramientas de análisis estadístico y de aprendizaje automático para construir modelos predictivos precisos.

Desarrollar habilidades en la gestión de datos, incluyendo la identificación de fuentes de datos relevantes, la limpieza y transformación de datos, y la integración de múltiples conjuntos de datos.