ESPECIALIZACIÓN INTERNACIONAL
BIG DATA Y MACHINE
LEARNING CON PYTHON
INICIO: 15 DE AGOSTO
Avalado por:
CERTIFICACIÓN ADICIONAL A NOMBRE DEL
COLEGIO DE ECONOMISTAS DEL PERÚ
ESPECIALIZACIÓN INTERNACIONAL
BIG DATA Y MACHINE LEARNING
CON PYTHON
Esta especialización capacita para manejar y analizar grandes volúmenes
de datos utilizando técnicas avanzadas de aprendizaje automático. Con
un enfoque práctico y global, se adquieren habilidades esenciales para
transformar datos complejos en información valiosa y tomar decisiones
informadas. El programa aborda las últimas tendencias y herramientas
en el campo, preparando a los profesionales para enfrentar los desafíos
actuales y futuros en la gestión y análisis de datos masivos. Además, se
profundiza en la aplicación de modelos predictivos y en la optimización
de procesos, proporcionando una formación integral y actualizada en Big
Data y Machine Learning.
1 MES
ENTREGA DE 2 CERTIFICADOS
MARTES Y JUEVES DE 7:00 - 10:00 P.M.
120 HORAS ACADÉMICAS
· GEM EDUCA se reserva el derecho de modificar la plana docente, por motivos de fuerza mayor o por
disponibilidad del profesor, garantizando que la calidad de la especialización internacional no se vea
afectada.
02
FUNDAMENTOS DEL BIG DATA Y DE
MACHINE LEARNING
BIG DATA: ¿QUÉ ES Y CUÁL ES SU IMPORTANCIA EN EL
MUNDO?
Definición y evolución del Big Data.
Volumen, variedad y velocidad de datos.
Impacto del Big Data en diferentes industrias (salud, finanzas,
retail, etc.).
DIFERENCIANDO CONCEPTOS: BIG DATA, CIENTÍFICO DE
DATOS, INGENIERO DE DATOS
Definiciones y roles en el ecosistema de datos.
Responsabilidades del Científico de Datos vs Ingeniero de
Datos.
Habilidades y herramientas utilizadas por cada rol.
03
FUNDAMENTOS DEL BIG DATA Y DE
MACHINE LEARNING
MERCADO PARA EL BIG DATA: DEMANDA Y OFERTA DE
PROFESIONALES DE BIG DATA EN LA INDUSTRIA Y LA ACADEMIA
Análisis del mercado laboral para profesionales de Big Data.
Sectores con mayor demanda de expertos en Big Data.
Tendencias y proyecciones futuras en el campo del Big Data.
Comparación entre oportunidades en la industria y la academia.
INTRODUCCIÓN AL MACHINE LEARNING
Definición y tipos de Machine Learning.
Historia y evolución del Machine Learning.
Aplicaciones prácticas en la vida cotidiana.
Diferencias entre Machine Learning y Inteligencia Artificial.
04
FUNDAMENTOS DEL BIG DATA Y DE
MACHINE LEARNING
UNSUPERVISED MACHINE LEARNING VS SUPERVISED
MACHINE LEARNING
Definición y diferencias clave.
Algoritmos comunes para aprendizaje supervisado (regresión,
clasificación).
Algoritmos comunes para aprendizaje no supervisado (clustering,
reducción de dimensionalidad).
MODELOS PREDICTIVOS PARA PROBLEMAS DE CLASIFICACIÓN
CON TÉCNICAS DE SUPERVISED MACHINE LEARNING
Fundamentos de los modelos predictivos.
Pasos para desarrollar un modelo de clasificación.
Métricas de evaluación de modelos (precisión, recall, F1 score).
05
MÉTODOS DE CLASIFICACIÓN Y
MODELOS PREDICTIVOS
CLASIFICACIÓN POR NEAREST NEIGHBOR
Conceptos básicos y algoritmo K-Nearest Neighbors (KNN).
Ventajas y desventajas del KNN.
Implementación y casos de uso.
Optimización de KNN (selección de K, normalización de datos).
ÁRBOLES DE CLASIFICACIÓN
Fundamentos y construcción de árboles de decisión.
Algoritmos populares (ID3, C4.5, CART).
Ventajas y limitaciones de los árboles de decisión.
Ejemplos prácticos y visualización de árboles.
CLASIFICACIÓN POR MÉTODOS BAYESIANOS
Principios del teorema de Bayes.
Clasificadores Naive Bayes.
Aplicaciones y ventajas de los métodos bayesianos.
Ejemplos de uso en filtrado de spam y análisis de sentimientos.
06
MÉTODOS DE CLASIFICACIÓN Y
MODELOS PREDICTIVOS
ANÁLISIS DISCRIMINANTE
Diferencias entre análisis discriminante lineal (LDA) y cuadrático
(QDA).
Aplicaciones prácticas y ventajas.
Ejemplos de implementación en proyectos reales.
Comparación con otros métodos de clasificación.
SUPPORT VECTOR MACHINE (SVM)
Conceptos fundamentales y matemáticas detrás de SVM.
Kernels y su importancia en SVM.
Implementación de SVM en problemas de clasificación.
Ventajas y limitaciones de SVM.
SUPPORT VECTOR MACHINE PARA MÚLTIPLES CLASES
Extensión de SVM para problemas multiclase.
Estrategias comunes (One-vs-One, One-vs-All).
Ejemplos prácticos y comparaciones.
07
MÉTODOS DE CLASIFICACIÓN Y
MODELOS PREDICTIVOS
PROYECTO – MÉTODOS DE CLASIFICACIÓN
Definición del problema y recopilación de datos.
Selección de técnicas de clasificación adecuadas.
Implementación y evaluación de modelos.
Presentación de resultados y conclusiones.
REDUCCIÓN DE LA DIMENSIONALIDAD DE UNA GRAN BASE DE DATOS
Importancia y beneficios de la reducción de dimensionalidad.
Técnicas comunes (PCA, LDA).
Implementación y ejemplos prácticos.
Impacto en el rendimiento de los modelos.
MÉTODOS PARA MEJORAR MODELOS PREDICTIVOS
Estrategias de mejora de modelos (ajuste de hiperparámetros, ensamble
de modelos).
Técnicas de validación (cross-validation).
Reducción de predictores: transformación y selección de características.
Implementación y ejemplos prácticos.
08
MÉTODOS DE CLASIFICACIÓN Y
MODELOS PREDICTIVOS
VALIDACIÓN CRUZADA (CROSS VALIDATION)
Conceptos y tipos de validación cruzada.
Importancia en la evaluación de modelos.
Ejemplos de implementación.
Comparación con otras técnicas de validación.
REDUCCIÓN DE PREDICTORES-TRANSFORMACIÓN DE LAS
CARACTERÍSTICAS
Técnicas de transformación de características (normalización,
estandarización).
Impacto en el rendimiento de los modelos.
Ejemplos prácticos y comparación de resultados.
Herramientas y librerías comunes.
REDUCCIÓN DE PREDICTORES - SELECCIÓN DE CARACTERÍSTICAS
Técnicas de selección de características (filter, wrapper, embedded).
Implementación y comparación de métodos.
Ejemplos prácticos y estudios de caso.
Impacto en el rendimiento de los modelos.
09
MÉTODOS DE CLASIFICACIÓN Y
MODELOS PREDICTIVOS
APRENDIZAJE CONJUNTO (ENSEMBLE LEARNING)
Conceptos y técnicas de ensemble learning (bagging, boosting,
stacking).
Implementación y ejemplos prácticos.
Ventajas y limitaciones del ensemble learning.
Comparación con modelos individuales.
PROYECTO - MEJORANDO MODELOS PREDICTIVOS
Definición del problema y recopilación de datos.
Selección de técnicas de mejora de modelos adecuadas.
Implementación y evaluación de modelos mejorados.
Presentación de resultados y conclusiones.
10
CONSTRUCCIÓN DE MODELOS DE
REGRESIÓN
MODELOS PREDICTIVOS PARA VARIABLES DE RESPUESTA
CONTINUA Y SUPERVISED MACHINE LEARNING
Fundamentos de los modelos de regresión.
Diferencias entre regresión y clasificación.
Aplicaciones prácticas y casos de uso.
MODELOS LINEALES
Regresión lineal simple y múltiple.
Evaluación y métricas de modelos lineales.
Implementación y ejemplos prácticos.
Ventajas y limitaciones de los modelos lineales.
SUPPORT VECTOR MACHINES Y ÁRBOLES PARA REGRESIÓN
Extensión de SVM para problemas de regresión.
Algoritmos de árboles para regresión (CART).
Implementación y ejemplos prácticos.
Comparación con otros métodos de regresión.
11
CONSTRUCCIÓN DE MODELOS DE
REGRESIÓN
REGRESIÓN DE PROCESOS GAUSSIANOS
Fundamentos y aplicaciones de la regresión de procesos gaussianos.
Implementación y ejemplos prácticos.
Ventajas y limitaciones.
Comparación con otros métodos de regresión.
MODELOS LINEALES REGULARIZADOS (LASSO)
Conceptos de regularización y penalización.
Regresión Lasso y Ridge.
Implementación y ejemplos prácticos.
Ventajas y limitaciones de los modelos regularizados.
MODELOS NO LINEALES REGULARIZADOS
Fundamentos de la regularización en modelos no lineales.
Implementación y ejemplos prácticos.
Comparación con modelos lineales regularizados.
Aplicaciones y casos de uso.
12
CONSTRUCCIÓN DE MODELOS DE
REGRESIÓN
AJUSTE GRADUAL (STEPWISE FITTING)
Conceptos y técnicas de ajuste gradual.
Implementación y ejemplos prácticos.
Ventajas y limitaciones.
Comparación con otros métodos de selección de características.
PROYECTO - MODELO DE REGRESIÓN
Definición del problema y recopilación de datos.
Selección de técnicas de regresión adecuadas.
Implementación y evaluación de modelos.
Presentación de resultados y conclusiones.
13
INTRODUCCIÓN A
REDES NEURONALES
REVISIÓN DE REDES NEURONALES
Historia y evolución de las redes neuronales.
Estructura básica de una red neuronal.
Conceptos clave (neuronas, capas, activaciones).
Comparación con otros métodos de Machine Learning.
MAPAS AUTO-ORGANIZADOS
Fundamentos y aplicaciones de los mapas auto-organizados (SOM).
Implementación y ejemplos prácticos.
Ventajas y limitaciones.
Comparación con otros métodos de clustering.
REDES FEED-FORWARD
Arquitectura y funcionamiento de redes feed-forward.
Implementación y ejemplos prácticos.
Aplicaciones y casos de uso.
Comparación con otras arquitecturas de redes neuronales.
14
INTRODUCCIÓN A
REDES NEURONALES
CLASIFICACIÓN DE IMÁGENES CON REDES CONVOLUCIONALES
Fundamentos de las redes neuronales convolucionales (CNN).
Implementación y ejemplos prácticos.
Aplicaciones en visión por computadora.
Comparación con otros métodos de clasificación de imágenes.
TRANSFER LEARNING Y MODIFICACIÓN DE REDES
Conceptos y beneficios del transfer learning.
Implementación y ejemplos prácticos.
Adaptación y modificación de redes preentrenadas.
Aplicaciones en diferentes dominios (visión por computadora,
procesamiento de lenguaje natural).
PROYECTO – APLICACIÓN DE REDES NEURONALES
Definición del problema y recopilación de datos.
Selección de la arquitectura de red adecuada.
Implementación y evaluación de la red neuronal.
Presentación de resultados y conclusiones.
15
NUESTROS DOCENTES
Alvin Sulca Vega
Economista
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 Power BI y Azure en una
importante entidad privada.
16
NUESTROS CERTIFICADOS
Certificado a nombre del
Centro GEM EDUCA
CERTIFICADO
DE APROBACIÓN
EL PRESENTE CERTIFICADO ES OTORGADO A:
Tú Nombre
Por haber culminado satisfactoriamente la especialización en Econometría
Aplicada realizado del mes de XXXXX hasta el mes de XXXXX del 2023, con
una duración total de XX horas académicas.
Econ. Anthony Garcia Saboya Econ. Miguel Paredes Trujillo
Gerente General Dirección General
BEPS SMART RESEARCH BEPS SMART RESEARCH
Certificado a nombre del
COLEGIO DE ECONOMISTAS
DEL PERÚ
Certificación (opcional) a
nombre de la FLORIDA
GLOBAL UNIVERSITY
BIG DATA Y MACHINE LEARNING
Precio Derecho de Trámite
$ 60 USD o S/. 192
* Puede realizar el pago al finalizar el
curso, especialización o diplomado.
17
NUESTROS MEDIOS DE
PAGO
Para hacer efectiva su matrícula, realice el abono a cualquiera
de nuestras cuentas de ahorros y envíenos el comprobante
escaneado o en foto, junto con sus nombres y apellidos
completos, correo electrónico y celular a nuestro WhatsApp.
Aceptamos:
También:
18
INVERSIÓN
AL CONTADO
Precio Normal Precio Promoción
Perú S/ 300 S/ 180
Otros $ 94 USD $ 57 USD
Países
· 2 años de acceso compartido al material y videos
· Los videos estarán cargados en un plazo máximo de 48 horas
· Nota: Las anulaciones de inscripciones o cambios de participantes se deberán
realizar dos días útiles antes de la fecha de inicio del programa. Para ello, deberá
enviar una carta con la solicitud correspondiente. En caso contrario, la empresa
GEM EDUCA no aceptará modificaciones en el proceso de inscripción.
19
