Proyectos de analítica en Python (Grupo 2)

Programa

Proyectos de analítica en Python (Grupo 2)

Facultad de Economía
Inicio / Programas / Proyectos de analítica en Python (Grupo 2)

Proyectos de analítica en Python

La serie de cursos del Programa Proyectos de analítica en Python, busca que los asistentes conozcan y dominen cada uno de los componentes presentes en un proyecto usual de minería de datos. Los cursos desarrollan habilidades para identificar oportunidades de uso de analítica, así como el diseño, comprensión, estructuración, construcción y evaluación de modelos de machine learning. Al finalizar los cursos, los asistentes conocerán las principales metodologías de preprocesamiento y visualización de datos, y aprendizaje automático de máquinas, cubriendo el análisis supervisado, no supervisado, y el aprendizaje profundo. En adición, serán capaces de implementar tales modelos en el lenguaje de programación Python, el lenguaje más popular del mundo y el primero en aplicaciones de analítica, machine learning y minería de datos.

Nota: se sugiere que el estudiante interesado en el programa cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante. 
El software que usará es Anaconda de Python 3. Las instrucciones de instalación serán remitidas al inicio del programa.

Este es un programa compuesto por los siguientes cursos que podrás tomar en conjunto o por separado.

¡Inscribe el programa completo!

Machine Learning para Business intelligence (Grupo 2)

Machine Learning para Business intelligence (Grupo 2)

Inicio:

22 de octubre de 2020

Modalidad Virtual
Introducción al análisis de datos en Python (Grupo 3)

Introducción al análisis de datos en Python (Grupo 3)

Inicio:

24 de septiembre de 2020

Modalidad Virtual

Dirigido a

Se recomienda tener conocimientos de álgebra lineal como saber qué es una matriz y nociones básicas de estadística como conocer la media, varianza, mediana.
Este programa es para todos aquellos que estén interesados en aprender un Python, uno de los lenguajes de programación más versátiles, y que deseen aplicarlo al análisis de datos par explotar oportunidades en sus respectivos negocios. Estos cursos también están dirigidos a quienes estén interesados en introducirse en el mundo de Machine Learning, aquí aprenderán a implementar los modelos clásicos de regresión, clasificación y clusterización a los datos que deseen. 
 

Objetivos

•    Construir preguntas de analítica para problemas reales.
•    Conocer las metodologías adecuadas para cada problema.
•    Conocer los supuestos, fortalezas y debilidades de las principales metodologías de aprendizaje de máquinas.
•    Implementar modelos de analítica con Python.
•    Explotar oportunidades de aprendizaje de negocio a partir de bases de datos no estructuradas.
•    Explorar rápidamente cualquier base de datos utilizando Python, comprendiendo el negocio de manera rápida e identificando oportunidades de valor agregado a partir de procesos analíticos.
 

Metodología

El programa se realizará de manera virtual con sesiones sincrónicas y cada sesión estará dividida en dos módulos, los cuales a su vez estarán divididos en dos partes. Durante la primera parte de cada módulo el profesor introducirá la teoría y posteriormente, en la segunda parte, los estudiantes trabajarán en Python para aplicar los temas aprendidos.

Nota: se sugiere que el estudiante interesado en el programa cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante. 
El software que usará es Anaconda de Python 3. Las instrucciones de instalación serán remitidas al inicio del programa.

Contenido

El programa esta conformado por los siguientes cursos:
Curso Introducción al análisis de datos en Python
Curso Machine Learning para Business Intelligence

Profesores

Hamadys L. Benavides Gutiérrez

Economista con minor en finanzas y Maestría en Economía de la Universidad de los Andes. Se ha desempeñado como profesora asistente de la asignatura “Minería de datos y sus Aplicaciones” del programa de maestría de la facultad de Economía de la Universidad de los Andes y profesora asistente de los cursos de verano “Machine Learning and Public Policy”, “Human Artificial Intelligence for Human Development” y “Econometría y Aprendizaje de Máquinas”. También ha sido asistente de investigación en la facultad de Ciencias de la misma universidad donde construyó modelos de predicción de desempeño académico. Actualmente, se desempeña como subdirectora asociada del área de minería de datos en Quantil donde cuenta con experiencia en la utilización de técnicas de aprendizaje de máquinas para la resolución de diversos problemas de naturaleza predictiva en los sectores financieros, salud, manufacturero, educación y energía, así como en la aplicación de técnicas econométricas. En particular, su experiencia abarca la implementación de modelos de predicción de diagnóstico y progresión de enfermedades crónicas, modelos predictivos para el desempeño académico de estudiantes, modelos predictivos para clientes en riesgo de incumplimiento, predicción de series macroeconómicas, pronósticos y estimación de demanda, sistemas para la detección de anomalías y sistemas de riesgo crediticio y de lavado de activos y financiación de terrorismo (SARC y SARLAFT, respectivamente). Desde el lado de la economía, su experiencia se centra en economía de la salud y evaluación de impacto.

Carlos Montenegro

Ingeniero Mecánico de la Universidad de Los Andes. Último año de Magister en Ingeniería Mecánica de la Universidad de los Andes, completando su tesis en aprendizaje de modelos probabilísticos para control predictivo seguro de sistemas dinámicos en ambientes desconocidos. Durante su maestría se desempeñó como asistente graduado de docencia en el Departamento de Ingeniería Mecánica.Obtuvo el Premio Saber PRO por ser uno de los más altos puntajes del país en el Examen de Estado de la Calidad de la Educación Superior - Saber PRO, en las competencias genéricas y específicas, mediante la resolución 012413 del 26 de noviembre de 2019 del Ministerio de Educación Nacional. En Quantil, ha participado en proyectos de predicción de crimen para Bogotá y México, así como procesamiento de lenguaje natural para la caracterización de la demanda en el mercado laboral en cinco países de LATAM. Fue ganador de la beca PyTorch Scholarship Challenge ofrecida por Facebook para construir modelos de aprendizaje con PyTorch e hizo parte de la comitiva académica del Departamento de Ingeniería Mecánica para visitar institutos de automatización y robótica en Alemania para insolidaridad proyecto y oportunidades académicas.

Diego Gutiérrez

Físico con Opción en Matemáticas Aplicadas del Instituto Tecnológico de Illinois. Magíster en Física de la Universidad de Waterloo en Canadá, completando el diplomado Perimeter Scholars International en Física Teórica en el Instituto Perimeter de Física Teórica, donde hizo investigación en implementaciones de Modelos Generativos de Aprendizaje de Máquinas a mediciones simuladas de sistemas cuánticos, bajo la supervisión de profesorado del Instituto Perimeter y el Instituto Vector para Inteligencia Artificial en Canadá. Durante su pregrado trabajo en el Laboratorio Nacional de Argonne, EEUU, investigando en áreas como física de aceleradores, óptica no-lineal y física de láseres, también trabajo con el grupo de investigación en física de aceleradores de partículas de su universidad. A lo largo de su trayectoria en investigación ha implementado modelos de análisis de datos, ciencia y física computacional y aprendizaje de máquinas, en lenguajes de programación como Python, Julia, C++, R, y Wolfram Language/Mathematica. En Quantil, ha trabajado en análisis estadístico de bases de datos, ha implementado modelos de aprendizaje de máquinas a proyectos de análisis de riesgo crediticio y operativo en el sector financiero. También ha asistido con el desarrollo de modelos de predicción de crimen usando modelos de aprendizaje supervisado y estadístico, así como librerías de código para análisis geoespacial. Asimismo, ha trabajado en el análisis de sesgos y fairness/justicia a modelos de aprendizaje de máquinas para predicción de crímenes. De igual manera ha investigado sobre modelos gráficos probabilísticos para su aplicación en procesos industriales.

Sebastian Quintero

Físico de la Universidad Nacional de Colombia y se encuentra terminando su maestría allí mismo. También posee una MicroMaestria en Estadística y Ciencia de Datos de MIT. Fue ganador de las pruebas Efi-Ciencias 2016. En su trayecto como físico, ha trabajado principalmente sobre fenomenología en Cromodinámica cuántica y el estudio de Event Shapes. También se ha desempeñado como auxiliar docente en la misma universidad, dictando diferentes cursos tales como mecánica cuántica, oscilaciones y ondas, y fundamentos de electricidad y magnetismo. Recientemente se ha reenfocado a la ciencia de datos, tomando particular interés en el área de Deep Learning. Actualmente es investigador en Quantil, donde está trabajando en temas relacionas a la predicción de crimen y Fairness. Adicionalmente es investigador en la Universidad de los Andes para la facultad de Economía donde trabaja en un modelo de pronósticos de clima y polución para Bogotá.