ESPECIALIZACIÓN EN INTELIGENCIA ARTIFICIAL Y VISUALIZACIÓN MASIVA DE DATOS / GESTIÓN DE CALIDAD

Inicio: 31 de marzo
Duración: 6 meses
Frecuencia:
Lunes y viernes (7:00 p.m. – 10:00 p.m.) hora peruana

Aprender sobre inteligencia artificial (IA) y visualización masiva de datos puede tener muchos beneficios en la actualidad. En primer lugar, la IA puede ayudar a automatizar procesos y mejorar la toma de decisiones en muchos campos, desde la medicina hasta la industria manufacturera. Además, puede permitir a las empresas analizar grandes cantidades de datos para identificar patrones y tendencias que serían difíciles de detectar de otra manera.

$277.50

Descripción

Descripción

INTRODUCCIÓN A LA ESTADÍSTICA

  • ¿Qué es la estadística?.
  • Población, muestra y muestreo.
  • Tipos de variables estadísticas.
  • Tipos de muestreo.
  • Diseño de experimentos.
  • Razonamiento estadístico.

REPRESENTANDO LOS DATOS

  • Distribución de frecuencias.
  • Tabulación de variables.
  • Graficas básicas.
  • El arte de elegir el gráfico adecuado.
  • Aplicación de las TIC.

MEDIDAS QUE RESUMEN LA INFORMACIÓN

  • Medidas de tendencia central.
  • Medidas de dispersión.
  • Medidas de posición y forma.
  • Gráficos de caja.
  • Datos atípicos y análisis exploratorio de datos.
  • Aplicación de las TIC.
  • Referencias.

RELACIÓN ENTRE VARIABLES

  • Introducción.
  • Correlación.
  • Regresión lineal.
  • Gráfico de residuos.
  • Regresión no lineal.
  • Aplicación de las TIC.

INTRODUCCIÓN A LA PROBABILIDAD

  • Introducción.
  • Conteo.
  • Diagramas de árbol.
  • Sucesos y espacio muestral.
  • Principios de la teoría de la probabilidad.

PROBABILIDAD CONDICIONAL Y VARIABLES ALEATORIAS

  • Probabilidad condicional.
  • Variable aleatoria.
  • Modelos discretos.
  • Modelos continuos.
  • Aplicación de las TIC.

DISTRIBUCIÓN EN EL MUESTREO

  • Distribución en el muestreo del conteo y la proporción muestral.
  • Teorema Central del Límite y distribución de la media muestral.
  • Estimación puntual.
  • Propiedades de los estimadores.

INTERVALOS DE CONFIANZA

  • Introducción a los intervalos de confianza.
  • Intervalo de confianza para la media de una población normal: varianza conocida y desconocida.
  • Calculando el tamaño de la muestra.
  • Intervalo de confianza para la proporción.
  • Intervalo de confianza para la varianza de una población normal.
  • Intervalo de confianza para la diferencia de medias y proporciones.

INTRODUCCIÓN

  • Aproximación a los conceptos inteligencia artificial, aprendizaje automático y minería de datos. Interés y aplicaciones.
  • Definición de aprendizaje, tareas básicas y ejemplos.
  • Etapas en el descubrimiento de conocimiento.
  • Referencias bibliográficas.

PYTHON PARA LA IMPLEMENTACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL

  • El lenguaje Python: conceptos básicos e instalación.
  • La sintaxis de Python.
  • Listas, tuplas, conjuntos y diccionarios.
  • Librerías útiles para el análisis de datos.
  • La librería NumPy para el manejo de datos.
  • Importación de datos.
  • Introducción a machine learning con librerías en Python.

ÁRBOLES DE DECISIÓN

  • Representación del conocimiento mediante árboles de decisión.
  • Algoritmo básico de aprendizaje de árboles de decisión: ID3.
  • Espacio de búsqueda y bias inductivo.
  • Métodos de selección de atributos.
  • Sobreajuste y poda de árboles.
  • Medidas de precisión de la clasificación. Curva ROC.
  • Simplificación de árboles de decisión mediante poda: algoritmo C4.5.

REGLAS

  • Reglas de clasificación y reglas de asociación.
  • Algoritmos de aprendizaje de reglas de clasificación.
  • Algoritmos de aprendizaje de reglas de asociación.

REDES NEURONALES ARTIFICIALES

  • Fundamento biológico.
  • La neurona artificial. El perceptrón.
  • Redes neuronales multicapa.
  • Redes neuronales recurrentes. Redes Hopfield.
  • Hacia el deep Learning.
  • Aplicaciones y ejemplos de implementación.

DEEP LEARNING

  • El papel del deep learning dentro del machine Learning.
  • Redes neuronales y deep Learning.
  • Redes prealimentadas profundas.
  • Redes neuronales recurrentes profundas.
  • Autoencoders.
  • Redes neuronales convolucionales.
  • Redes generativas antagónicas.
  • Aprendizaje por refuerzo.
  • Aprendizaje por refuerzo profundo.

CLUSTERING: AGRUPAMIENTO O CLASIFICACIÓN NO SUPERVISADA

  • Conceptos. Tipos de algoritmos de clustering. Medida de distancia.
  • Agrupamiento exclusivo. El algoritmo k-means.
  • Agrupamiento jerárquico. Algoritmo de agrupamiento jerárquico aglomerativo.
  • Agrupamiento probabilista. El algoritmo EM.
  • Agrupamiento solapado. El algoritmo Fuzzy C-mean.

INTRODUCCIÓN A LAS TECNOLOGÍAS BIG DATA

  • Introducción y objetivos.
  • La sociedad interconectada: la era del cliente.
  • Definición de las tecnologías big data.
  • Origen de las tecnologías big data.

HADOOP HDFS Y MAPREDUCE

  • Introducción y objetivos.
  • Introducción a HDFS.
  • Arquitectura de HDFS.
  • Comandos de HDFS más frecuentes.
  • Programación distribuida y MapReduce.

SPARK I

  • Introducción y objetivos.
  • Apache Spark.
  • Componentes de Spark.
  • Arquitectura de Spark.
  • Resilient distributed datasets (RDD).
  • Transformaciones y acciones.
  • Jobs, stages y tasks.
  • Ejemplo completo con RDD.

SPARK II

  • DataFrames en Spark.
  • API estructurada de Spark: lectura y escritura de DataFrames.
  • API estructurada de Spark: manipulación de DataFrames.
  • Ejemplo de uso de API estructurada.
  • Spark SQL.

SPARK III

  • Spark MLlib.
  • Spark Structured Streaming.

APACHE KAFKA

  • Mensajería publicación/suscripción.
  • Introducción a Apache Kafka.
  • Casos de uso típicos de Kafka.
  • Conceptos fundamentales.
  • Implementación de productores Kafka.
  • Implementación de consumidores Kafka.

CLOUD COMPUTING I

  • Introducción a cloud computing.
  • Ventajas del cloud computing.
  • Tipos de nube y servicios en la nube.
  • Casos de uso de los servicios en la nube.
  • Microsoft Azure.

CLOUD COMPUTING II

  • Amazon Web Services.
  • Regiones y availability zones (AZ).
  • Servicios transversales: seguridad y gestión.
  • Servicios de computación.
  • Servicios de red.
  • Servicios de almacenamiento.
  • Bases de datos.
  • Servicios de big data y analítica.
  • Machine learning e inteligencia artificial.

CLOUD COMPUTING III

  • Google Cloud Platform.
  • Regiones y zonas.
  • Servicios transversales: seguridad y gestión.
  • Servicios de computación.
  • Servicios de red.
  • Servicios de almacenamiento.
  • Bases de datos.
  • Servicios de big data y analítica.
  • Machine learning e inteligencia artificial.

VISUALIZACIÓN DE DATOS A TRAVÉS DE LA RED

  • Metodología de la asignatura: blog de la asignatura y grupo en Google+.
  • JavaScript y cómo utilizar Plunker, JavaScript Console y Servidores: MAMP, WAMP y LAMP.
  • Seleccionar un dataset.
  • Google Spreadsheets, visualizando datos y haciéndolos accesibles al público.
  • Many Eyes, visualizando datos y haciéndolos accesibles al público.
  • Evalúa tus resultados antes de hacerlos públicos. Típicos errores fácilmente evitables.

INTRODUCCIÓN A LA LIBRERÍA GOOGLE CHARTS

  • Ejemplos de varias visualizaciones (Bar Charts, Line Charts, Map Charts…).
  • Conectando con Google Spreadsheets y archivos CSV.
  • Gestionando eventos.

INTRODUCCIÓN A JQUERY PLUG-INS

  • Ejemplos de varias visualizaciones (Bar Charts, Line Charts, Sparklines…).
  • Añadiendo anotaciones con jQuery plug-ins y jQuery tool tip.
  • Gestionando eventos.

INTRODUCCIÓN A D3.JS

  • Descarga y referenciar la librería.
  • Entendiendo los básicos de D3.js. Generando elementos en HTML.
  • Trabajando con datos reales y elementos en el HTML.

DIBUJANDO CON D3.JS

  • Trabajando con diferentes estructuras de datos JSON y CSV.
  • Generando y dibujando SVGs.
  • Bar Chart y un Scatter Plot desde cero.

ESCALANDO Y DIBUJANDO EJES DE UN GRÁFICO

  • Normalizando y creando una escala.
  • Escalando un Scatter Plot.
  • Dibujando los ejes.

ACTUALIZANDO LOS DATOS, TRANSICIONES, MOVIMIENTO E INTERACCIÓN

  • Actualización de los gráficos a través de los eventos.
  • Transiciones y movimiento.
  • Añadiendo interacción a los gráficos.

DOCENTES:

Ing. Carlos Esteban Godínez Delgado. Ingeniero de sistemas por la Universidad de San Carlos de Guatemala. Laboró en el banco G&T Continental en el área de análisis y diseño de sistemas financieros, Forza Delivery como programador e Icon Americans cumpliendo la función de desarrollador, entre otras entidades privadas. Actualmente se desempeña como docente universitario en la Universidad de San Carlos de Guatemala.

Econ. Dax Kevin Mancilla Paucar. (Docente del Centro Gem Training & Consulting Service S.A.C.) Economista especializado en Econometría Aplicada, Investigación Económica y Análisis de Indicadores para la toma de decisiones. Actualmente trabaja como Analista de Mercado Laboral en la Dirección de Investigación Socioeconómica Laboral del Ministerio de Trabajo y Promoción del Empleo – MTPE.

Econ. Alexis Adonai Morales Alberto. (Docente del Centro Gem Training & Consulting Service S.A.C.) Economista especializado en Modelamiento Econométrico de la UNAM, Investigación Económica y Análisis de Indicadores para la toma de decisiones. Con experiencia en investigación económica y financiera, asesoramiento de tesis a nivel de pregrado y en uso de análisis estadísticos y econométricos aplicados con Stata, SPSS, Eviews, Matlab, Python y R Studio.

Econ. Alvin Sulca Vega. Economista especializado en investigación económica con amplio dominio en aplicaciones de algoritmos de Machine Learning y Deep Learning, ha laborado en el área de investigación de Proinversión, fue como asistente de investigación en la universidad ESAN. Actualmente se desempeña como científicos de datos construyendo reportes automatizados con PowerBI y Azure en una importante entidad privada.

Certificados:

Certificación: 8 certificados

Certificado como especialista en Inteligencia Artificial y Visualización Masiva de Datos a nombre de la consultoría GEM EDUCA y otro a nombre de la Escuela Nacional de Formación Publica y Empresarial (ENFOPE) y el Colegio de Economistas del Perú (EN FISICO).

  • Clases 100% en vivo.
  • Material Adicional para que practiques.
  • Talleres gratuitos.
  • Plana docente de calidad.

Precio

 

Precio normal

Precio promoción

Precio comunidad gem

Precio corporativo

Perú

s/ 1050

s/620

S/580

S/550

Otro países

$328  USD

$194 USD

$181 USD

$172 USD

Cuotas sin intereses

 

PROMOCION

COMUNIDAD GEM

CORPORATIVO

CUOTA 1

S/155 O

$49USD

S/145 o $46 USD

S/138 O $43 USD

CUOTA 2

S/155 O

$49 USD

S/145 o $45 USD

S/138 O $43 USD

CUOTA 3

S/155 O

$48 USD

S/145 o $45 USD

S/137 O $43 USD

   CUOTA 4                       S/155 O                                                                 S/145 o $45 USD                                                  S/137 O $43 USD

                                       $48 USD

Carrito de la compra
Tienda
Lista de deseos
0 elementos Carro
Mi cuenta