Machine Learning & AFor The Working Analyst

En los últimos años la influencia de la inteligencia artificial en el  sector industrial ha sido gigantesca. Este curso es una  

invitación al state of the art de estas aplicaciones enfocándonos en los casos de éxito que sean útiles para los  analistas de datos,

sin importar su área de trabajo.

 

Ofrecemos: 

1. Enseñar un manejo de Python y R que permita resolver problemas utilizando imágenes, texto, bases estructuradas,  

series de tiempo e incluso cuando no existen suficientes datos.

 

2. Más de 15 algoritmos útiles para resolver la inmensa mayoría de las posibles tareas a las que se puede enfrentar un analista de datos.

 

3. Una explicación matemática detallada de cómo funcionan los algoritmos que le permitan a los estudiantes interpretar sus resultados

así como distinguir las ventajas y retos en cada caso.

 

4. El planteamiento, los datos y la solución de 9 problemas reales que enfrentan las industrias: farmacéutica, turística, de telecomunicaciones, de recursos humanos, transportista, financiera, los portafolios de inversión, energética y legal. 

Machine Learning and AI For The Working Analyst
  • 12 semanas 

  • De martes a viernes  

  • Dos horas diarias (18:30-20:30) 

DESCRIPCIÓN DEL CURSO

Estructura: 

A. Cada bloque incluye un documento en forma de notas de  

curso redactado cuidadosamente por el tutor.

 

B. Los cursos  son en vivo vía zoom y los estudiantes tienen acceso indefinido  a los vídeos del curso.

 

C. En el curso se utilizarán data sets y  

ejemplos reales. Los alumnos se quedarán con el código  

utilizado en clase para resolver los problemas.  

unnamed (1).png
Artboard 7 copy 30.jpg

Evaluación y Proyectos

I) Cada semana se realizará un pequeño test para revisar el aprendizaje del estudiante. 

II) Al final cada bloque de tres cursos se realizará una evaluación que consiste en dos partes:

 

1. Un examen práctico donde el estudiante deberá aplicar sus  habilidades para resolver otros problemas similares o  

adecuaciones de los mismos vistos en clase.

 

2. Un examen teórico que simula una entrevista laboral sobre el  

planteamiento del problema, la interpretación de los resultados y la descripción de los algoritmos.

 

iii) El curso incluye un acompañamiento por parte de los profesores en

el desarrollo de proyectos que los estudiantes deseen desarrollar utilizando las técnicas aprendidas. 

Artboard 7 copy 60.jpg

Listamos algunas de las herramientas tecnológicas que enseñaremos a utilizar en el curso:

• Python  

• R 

• Pandas 

• Numpy 

• Apache  

• Keras 

• Gym 

TECNOLOGÍA

unnamed (1).png

TEMARIO 

TEMARIO

Artboard 2 copy 3.png
pexels-yan-krukov-8199135.jpg

1. Invitación a redes neuronales: perceptrón

pexels-yan-krukov-8199135.jpg

2. Árboles de decisión y random forest

pexels-yan-krukov-8199135.jpg

3. Regresiones logísticas, Ridge y Lasso

pexels-yan-krukov-8199135.jpg

4. Latent Dirichlet Allocation

pexels-yan-krukov-8199135.jpg

5. Regresión Robusta y Huber

pexels-yan-krukov-8199135.jpg

6. ARMA, ARIMA y ARCH

pexels-yan-krukov-8199135.jpg

7. Simulación Monte-Carlo (Longstaff-Schwartz)

pexels-yan-krukov-8199135.jpg

8. Deep Learning para NLP (LSTM y Atención)

pexels-yan-krukov-8199135.jpg

9. Aprendizaje por refuerzo (Q-Learning)

Próxima Fecha
Ago 17 - Nov 05

Precio: $1,130 USD

TEMAS

Cada semana tiene un tema particular en el que haremos énfasis. 

1. La maldición de la dimensión y el sobre-ajuste

2. La explicabilidad de un modelo 

3. Regularización  

4. Espacio Latente 

5. Outliers 

6. El riesgo  

7. Simulación Bayesiana 

8. Procesos con memoria y estructuras de los datos

9. El refuerzo v.s. las etiquetas

Machine Learning and AI for the working Analyst

IMG_8925_edited.png

Director

ALFONSO RUIZ

Alfonso Ruiz estudió matemáticas en la UNAM, en la Université  d'Orsay y en Oxford University. Durante su carrera ha visitado y expuesto su trabajo en diversas instituciones tales como UCLA, Universität Münster, Notre Dame University, Institute Henri Poincaré, IHES, CIRM, Sophus Lie Conference Centre, CIMAT, University of Miami entre otros. Actualmente es Director del Colegio de Matemáticas Bourbaki y dedica su tiempo a convertirlo en un centro de enseñanza e investigación de primer nivel. 

AI2.png

Docente

ANA ISABEL

Ana Isabel Ascencio Pedraza es Científica de Datos con más de 20 años de experiencia en análisis de datos para la toma de decisiones. Estudió Ingeniería Electromecánica en la Universidad Iberoamericana León, Métodos Estadísticos en el Centro de Investigaciones en Matemáticas (CIMAT) y Ciencia  

de Datos en el Centro de Investigación e Innovación en Tecnologías de la Información (INFOTEC). Actualmente es consultora en Ciencia de Datos y Analítica Avanzada.

Colegio de Matemáticas Bourbaki es un espacio para el aprendizaje personalizado. Aquí se imparten métodos de  enseñanza para acercar a las personas al trasfondo  

matemático en múltiples fenómenos y procesos. Nuestro objetivo es vincular la academia con aplicaciones de la realidad imperante. 

La institución tiene una responsabilidad con la sociedad: procurar siempre el rigor académico en todos sus servicios. Su objetivo es convertir el conocimiento matemático en una inversión sostenible, que genere riqueza. 

La especialización es la piedra central de la comprensión de los problemas, el primer paso en la ruta hacia las respuestas que demanda la realidad. La selección de material educativo asertivo y la atención a los detalles correctos aleja a Colegio  

Bourbaki de los cursos express. Asumimos que con claridad, constancia y transparencia, se construye un camino intelectual sincero. 

Asset 1530.png

TESTIMONIOS

Captura de Pantalla 2021-06-29 a la(s) 12.55.31.png

TESTIMONIOS

Francisco Morales 

El curso Machine Learning for the Working Analyst es un gran primer paso al mundo de la ciencia de  los datos, ofrece cimientos sólidos y fomenta el pensamiento crítico que permite definir soluciones  adecuadas a posibles aplicaciones. Cada uno de los elementos del curso es valioso por sí mismo, el  contenido es muy nutrido y bien seleccionado, las aplicaciones son óptimas para el entendimiento de  los temas, la parte teórica se explica desde las aristas necesarias para su completo entendimiento, la  parte práctica aterriza todo el conocimiento en desarrollos útiles y que sirven como guía para otras  aplicaciones, la apertura a solucionar dudas ayuda a tener una comprensión plena y pensar en  aplicaciones adicionales sirve como validación de que los conceptos fueron bien asimilados. Y si bien  todo eso funciona de forma independiente, la forma en que se integran hace que el curso alcance una  dimensión diferente y llegue a una calidad excelente. 

Soy ingeniero mecatrónico egresado el 2020 de la Unidad  

Profesional Interdisciplinaria en Ingeniería y Tecnologías  

Avanzadas, con experiencia laboral en la ingeniería de datos y  

manejo de múltiples herramientas de business intelligence  

(qlik, tableau, power bi, spotfire) y manejo de lenguajes de  

programación (Python, C++, R, lenguaje M de matlab). Tengo  

especial interés en el desarrollo profesional como científico de  

datos y su complementación mediante el storytelling y la  

visualización de datos.