Medrano 951 - 2do. Piso - Of. 206 CABA - Lun. a Vier. de 9 a 13 hs y de 13.30 a 21 hs.
(54 11) 5984 2238 info@sceu.frba.utn.edu.ar
Curso Práctico de Ciencia de Datos: Creación de Modelos Machine Learning en R (Nivel Intermedio)

Curso Práctico de Ciencia de Datos: Creación de Modelos Machine Learning en R (Nivel Intermedio)

PRESENTACIÓN

Este curso pretende enfocarse en los aspectos de creación y validación de los modelos de machine learning más populares en la actualidad. Se cubrirán modelos de tipo predictivo, clustering y de reducción de dimensionalidad y se hará hincapié en la validación y reporte de resultados, evitando sesgos invisibles en la implementación de los mismos.

Cualquier proyecto de machine learning tiene que lidiar con la selección de las mejores variables, preparación de datos para valores nulos y extremos, todos temas que serán cubiertos inicialmente con ejemplos prácticos y formulas lista para ser usada por parte del asistente en sus propios proyectos.

OBJETIVOS (general/es y específicos)

Que los participantes:

  • Logren encontrar el modelo predictivo más apto para sus datos.
  • Puedan establecer un marco apropiado para la validación de los modelos predictivos, disminuyendo el riesgo de falsas predicciones.
  • Logren preparar básicamente los datos (nulos y extremos) para maximizar el poder predictivo.
  • Puedan crear, validar y reportar modelos no supervisados (clustering).
  • Logren crear modelos dimensionalidad reducida (t-SNE) para explorar datos multidimensionales

DESTINATARIOS

  • Profesionales del sector de tecnología, tales como DBAs, programadores, gerentes o líderes de proyecto.
  • Estudiantes de carreras universitarias afines como ser matemáticos, biólogos, sociólogos.
  • Personas que estén iniciándose en el mundo de la ciencia de datos.

REQUISITOS

Es recomendable contar con conocimientos básicos de programación en cualquier lenguaje, especialmente manipulando datos como lo son R o Python.

IMPORTANTE: Es necesario que los alumnos concurran con Notebook a las clases

DURACIÓN

El programa tiene una duración de 12 horas presenciales, a desarrollarse durante 4 clases. Carga horaria semanal: 6 horas

TEMARIO

Para conocer el temario del curso y el correspondiente cronograma de clases, hacé clic AQUÍ

DOCENTES

Ing. Pablo Casas (Docente)

Graduado como Ingeniero en Sistemas de Información de la UTN, empezó su carrera en el mundo de los datos hace más de 10 años. Se desempeñó como consultor particular y científico de datos para empresas de distinta naturaleza.

Actualmente se desempeña como responsable de machine learning en una empresa de seguridad informática, encargado de la investigación y desarrollo de nuevos modelos de Deep Learning, así como también de la creación de modelos predictivos para el área de marketing.

Respecto al lenguaje R, posee 5 años de experiencia y es autor del libro open-source “Data Science Live Book” de libre acceso, así como también de la librería  “funModeling”, cuyo foco principal es el análisis y preparación de datos para modelos predictivos.

COORDINADOR

Ing. Pablo Cigliuti (Coordinador académico)

Ingeniero en sistemas de información con experiencia laboral de más de 15 años en el área de Business Intelligence. Es socio fundador de Dthink, consultora especializada en la temática y está certificado internacionalmente como profesional de Data Management (CDMP) y de Business Intelligence (CBIP).

Además es titular de la cátedra de Business Intelligence en la Universidad Tecnológica Nacional y coordinador de los cursos de actualización de posgrados de Business Intelligence y de Data Mining de la misma universidad.

METODOLOGÍA A UTILIZAR EN EL DESARROLLO DEL CURSO

Se presentarán problemáticas de casos reales y a continuación su solución a nivel conceptual y a nivel de programación en R.

Cuando sea posible, los conceptos se relacionaran con circunstancias que nos rodean en el día a día.

PROCEDIMIENTOS DE EVALUACIÓN Y ACREDITACIÓN – CERTIFICACIÓN

La asistencia a un mínimo del 100% de las clases otorga un certificado de asistencia.

Cronograma de evaluación: Se habilitará el campus virtual para acceder al contenido del curso, y realizar cuestionarios multiple choice de verificación de lectura.

 

IMPORTANTE: Es necesario que los alumnos concurran con Notebook a las clases