Idioma: ES
Reducción de dimensionalidad

Curso ¿Por qué más datos no siempre es lo mejor? Reducción de dimensionalidad

Información General

Presentación

Curso ¿Por qué más datos no siempre es lo mejor? Reducción de dimensionalidad

Reducción de dimensionalidad click para reproducir video
Educación Continuada: programas abiertos y empresariales de educación no formal que optimizan el desempeño profesional.

Métodos de Reducción de Dimensionalidad para problemas de Analítica de Datos.

La mayoría de los problemas de Ciencia de datos involucra conjuntos sobrecargados de numerosas características que dan como resultado un ajuste excesivo e incrementan los costos de formación, lo que conlleva a procesos generalmente lentos. Los algoritmos que se han desarrollado tienen como meta resolver algunos de los problemas básicos, como el de la reducción de la dimensionalidad del conjunto de datos, tratando de representar la mayor cantidad de varianza posible haciendo uso de la menor información, manteniendo las características relevantes y dejando atrás las menos importantes. Esto con el fin de reducir el tiempo y el costo de formación, y de manera adicional para obtener formas efectivas de visualización de patrones.

“Las empresas más potentes del mundo ya no pertenecen al sector del petróleo o al de la automoción sino al campo de los datos. Los datos son el petróleo del futuro. Hemos pasado de la lucha por los territorios a la lucha por los datos”

Daniel Peña. Experto en Big Data. Universidad Calos III de Madrid.

En este curso, exploraremos algunos mecanismos de reducción de datos y su proyección como una de las etapas importantes de los procesos de Big Data. Teniendo en cuenta que se busca identificar las características más significativas, pero estas siempre dependerán del objetivo del proceso. Por eso nos enfocaremos en trabajar en situaciones contextualizadas, reforzando la conceptualización de los métodos desde la matemática y la estadística.

Por qué estudiar con nosotros

edificio-h-nocturna.jpg

El participante comprenderá los conceptos fundamentales de la matemática y la estadística, que le permitirán entender los procesos de reducción de dimensionalidad, facilitando su aplicación y adaptación a diferentes problemas reales. Así como también, encontrará un espacio propicio para fortalecer la habilidad computacional enfocada a la analítica de datos.

Metodología

El curso se desarrollará en forma remota. Los temas se abordarán a través de talleres contextualizados en situaciones problema de analítica de datos, sin dejar de lado la conceptualización matemática y estadística de los procedimientos propuestos en el curso. El recurso computacional principal será R con interfaz RStudio.

Deberes del participante

  • Contar con conexión a internet de banda ancha.
  • Disponer de audífonos (diadema o manos libres) para aislar el ruido externo y lograr concentrarse.
  • 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 antelación para verificar la conexión adecuada y hacer los ajustes del caso.
  • Disponer de materiales para tomar apuntes.

Certificación

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

shutterstock_1803319981_estudiante.png
  • Estudiantes y profesionales interesados en conocer técnicas estadísticas utilizadas en el contexto de la analítica de datos para las situaciones en donde es necesario reducir la dimensionalidad del problema.

Contenido temático

Introducción a los elementos fundamentales del curso. (4 horas)

  • Algebra lineal, vectores y valores propios, proyecciones
  • Elementos de estadística descriptiva

Técnicas para reducción de dimensionalidad dirigidas por variables. (6 horas)

  • Análisis Factorial
  • Análisis de Componentes principales
  • Análisis de Correspondencias simples y múltiples

Técnicas para reducción de dimensionalidad dirigidas por individuos. (6 horas)

Introducción a las técnicas de clasificación

Discusión sobre técnicas lineales y no lineales para reducción de dimensionalidad. (4 horas)

Ventajas y limitaciones de las técnicas tanto lineales como no lineales

Fechas

El curso se desarrollará entre el 17 de noviembre y el 3 de diciembre de 2022, los jueves de 6:00 p.m. a 9:00 p.m. y los sábados de 8:00 a.m. a 12:00 m., en modalidad remota vía Microsoft Teams.

En sus programas de Educación Continuada, la Escuela Colombiana de Ingeniería Julio Garavito se reserva el derecho de cambiar sus conferencistas y fechas de realización, o cancelarlas, de no contar con el número de participantes requerido. Lo anterior se informará a los interesados con antelación.

Objetivos alcanzables

Bloque-I-nocturna.jpg

  • Comprender los principios matemáticos y estadísticos de los procedimientos para la reducción de dimensionalidad..
_DSC4651.jpg

  • Identificar cómo y cuándo utilizar cada uno de los procedimientos para la reducción de dimensionalidad dentro del contexto de la analítica de datos.
_DSC0724.jpg

  • Implementar apropiadamente algoritmos relacionados con los procedimientos para la reducción de dimensionalidad dentro del contexto de la analítica de datos.

Valor de la inversión

edificio-h-nocturna.jpg

El valor de la inversión por participante es de $ 935.000 (novecientos treinta y cinco mil pesos m/cte.)

Descuento del 5 % hasta el 3 de noviembre de 2022.

Inscripciones hasta el 15 de noviembre de 2022.

Conferencista Invitado

Cerrar

Tatiana Jiménez

Tatiana Jiménez

Profesional y magíster en Estadística de la Universidad Nacional de Colombia. Profesora de la Universidad de la Salle con experiencia en las áreas de investigación de análisis multivariado, diseño de experimentos y estadística industrial.

Cerrar

Weimar Roncancio

Weimar Henry Roncacio Torres-Julio Garavito

Matemático y magíster en Ciencias Matemáticas de la Universidad Nacional de Colombia. En la Escuela es profesor del Departamento de Matemáticas y coordinador de Análisis Numérico y profesor de Métodos Computacionales para Ingeniería de la Maestría en Ingeniería Electrónica.

Solicite Información

Curso ¿Por qué más datos no siempre es lo mejor? Reducción de dimensionalidad

Programas relacionados