Curso de Ciencia de Datos | Data Science | In-house | PeruStat .

Background

CURSOS DE
CIENCIA DE DATOS

Modalidad: In-house

Desarrolla en tu equipo habilidades analíticas para sacarle el mayor provecho a los datos que genera tu organización.

logo de r y python

Solicítanos información

¿POR QUÉ ENTRENAR A TU EQUIPO EN CIENCIA DE DATOS?

El aprendizaje de la ciencia de datos permite desarrollar diversas habilidades analítcas para resolver problemas particulares en una industria y puede agregar valor a cualquier empresa pudiendo, por ejemplo, resolver problemas comerciales de Big Data, identificar procesos ineficientes, desarrollar nuevos flujos de ingresos o mercados, potenciar la seguridad de los datos, mejorar el servicio al cliente, desarrollar servicios personalizados y brindar respuestas a todas las incógnitas que existen en una organización.

¿QUÉ CURSOS DE CIENCIAS DE DATOS OFRECEMOS?

El servicio de Capacitación In House a medida nos permite brindar a su organización cursos y talleres personalizados de acuerdo a sus requerimientos específicos. Además, contamos con la siguiente oferta de cursos, los cuáles pueden ser desarrollados utilizando R o Python según su elección:

logo de r y python
HERRAMIENTAS PARA LA CIENCIA DE DATOS (12 Hrs)

Se brinda una introducción conceptual sobre la ciencia de datos, las ideas detrás de cómo convertir datos en insights, así como se presentan las principales herramientas usadas por el científico de datos (Markdown, GitHub, R y RStudio, Python y Anaconda, Jupyter Notebook etc.)

ANÁLISIS ESTADÍSTICO DE DATOS (24 Hrs)

Presenta los fundamentos de estadística y probabilidad para el análisis de datos necesarios en distintas áreas de estudio usando RStudio (versión R) o Jupyter Notebook (versión Python). Se aprenderá a como acceder a una base de datos y utilizar una serie de métodos cualitativos y cuantitativos para resumirla y descubrir la información que se encuentra subyacente, así como la forma efectiva de comunicar estos hallazgos

PROGRAMACIÓN EN CIENCIA DE DATOS (24 Hrs)

En el curso se describen los conceptos básicos de programación y como aplicarlos en un análisis de datos efectivo. Se cubren temas de lectura de datos, acceso a bibliotecas de funciones, estructuras de control, escritura de funciones y depuración, etc.

Bases de Datos y SQL para Ciencia de Datos (24 hrs.)

El propósito de este curso es presentar conceptos de bases de datos relacionales, así como aprender y aplicar los fundamentos del lenguaje de consulta estructurado (SQL) a través de R o Python. El curso está diseñado para que el participante pueda manejar bases de datos usando SQL bajo un entorno de ciencia de datos.

Introducción a Machine Learning (24 hrs.)

Este curso presenta las 4 fases fundamentales del aprendizaje automatizado: Entendimiento de datos, predicción, toma de decisiones e inferencia causal. El curso está diseñado específicamente para los analistas y encargados de la toma de decisiones que desean desarrollar una ventaja competitiva aprovechando el poder del aprendizaje automático y administrando de manera efectiva el equipo de científicos de datos que lo hacen posible.

Aprendizaje Supervisado: Clasificación (24 Hrs)

Introducción al aprendizaje automático supervisado, con un enfoque en técnicas de clasificación. K-NN, árboles de decisión, SVM, cómo combinar modelos a través de ensamblaje de modelos: boosting, bagging, random forests. Conceptos básicos de aprendizaje automático como error de generalización y sobreajuste.

Aprendizaje no supervisado (24 Hrs)

Este curso presenta las principales técnicas del aprendizaje automático no supervisado. Los participantes aprenderán a encontrar grupos y otras estructuras de datos, aplicar técnicas de reducción de dimensiones para visualización y análisis de datos, así como definir reglas de asociación.

Fundamentos de Big Data (24 Hrs)

Este curso está diseñado para todo profesional que desea entender de forma simple que es Big Data, conocer algunas de las tecnologías de Big Data y tener acceso a algunas de las aplicaciones en Analytics e Internet de las Cosas (IoT). El curso está dividido en tres unidades: El mundo del Big Data, gestión y visualización de datos y aprendizaje automático.

Aprendizaje Supervisado: Regresión (24 Hrs)

Introducción al aprendizaje automático supervisado, con un enfoque en técnicas de regresión. Regresión Lineal. Modelos Lineales Generalizados (GLM).
Regresiones penalizadas (regresión Ridge, regresión Lasso y Elastic Net) . Multvariate Adaptatve Regression Splines (MARS). Máquinas de Soporte Vectorial (SVM). K-Vecinos más cercanos. Árboles de regresión.

Nuestros alumnos provienen de las principales organizaciones del país.
34
17
31
7
11
35
26
16
23
32
21
3
20
22
13
10
18
19
9
14
4
2
27
30
8
6
29
12
backus
bcp
×
¿En qué puedo ayudarte?