Plan de estudios | MIAD

Es un curso diseñado como una primera experiencia en analítica de datos para esta población heterogénea, teniendo como foco principal el desarrollo de habilidades prácticas de programación. Su propósito es ofrecer una visión general del quehacer del profesional en analítica de datos y desarrollar la capacidad de utilizar la programación como una herramienta cotidiana para actividades críticas de proyectos de analítica de datos.
Se cubrirá desde una introducción rápida al ecosistema Python y a la sintaxis de sus estructuras de datos y control, seguido de tutoriales introductorios sobre manipulación, exploración y análisis de datos con paquetes ampliamente usados, como Pandas, Seaborn y Scikit Learn, entre otros.

Este curso pretende guiar al estudiante en el desarrollo de aplicaciones de analítica 1.0 o analítica descriptiva basadas en tableros de control, conocidas como aplicaciones de inteligencia de negocios. Hace énfasis en las etapas de entendimiento de datos, definición del producto de software, preparación de datos, construcción del modelo que corresponde al desarrollo de los componentes de software y finalmente, la evaluación del modelo.

El estudiante estará en capacidad de desplegar una solución analítica en una plataforma informática, de tal manera que le permita interactuar con los datos, los modelos y los resultados. La plataforma podrá ser local o remota, de manera que los datos puedan estar alojados en instalaciones externas a su máquina local. Es un curso con la tecnología informática, orientada tanto al manejo de flujos de datos en el ciclo de vida de los modelos analíticos, como en la visualización de los datos y de los resultados.

MIID-4301 Dinámica de Sistemas: este curso introduce conceptos y herramientas para el aprovechamiento de los datos utilizándolos con un enfoque sistémico y de aplicación organizacional. Desarrolla en los estudiantes competencias de construcción y uso de modelos de simulación prescriptivos de Dinámica de Sistemas (Diagramas de Ciclos Causales, Modelos de Niveles y Flujos) para apoyar el diseño de soluciones y la toma de decisión en ambientes de alta complejidad.

MIID-4302 Simulación: el curso busca desarrollar en el estudiante los conceptos y habilidades fundamentales para simular un sistema complejo para comprender su funcionamiento, en el estado actual o sobre posibles escenarios creados. Se concentrará en la simulación de eventos discretos para la evaluación de diferentes alternativas que puedan mejorar un sistema.

A través del siguiente link pueden acceder al video de introducción a los cursos de Dinámica de Sistemas y Simulación  Aquí

El curso presenta metodologías, modelos y herramientas para el
análisis, solución de problemas de decisión bajo incertidumbre, con uno o múltiples atributos, incluyendo las dimensiones estratégica y
económica, haciendo énfasis en la importancia de utilizar metodologías y herramientas como soporte para la toma racional de decisiones en las organizaciones en proyectos de analítica de datos.

El módulo presenta técnicas de modelado en optimización lineal. De forma complementaria, el curso busca desarrollar en el estudiante habilidades de implementación de los modelos en software especializado de optimización (e. g. Python+PuLP, MS Excel Solver).

El presente curso desarrolla diferentes técnicas y modelos de análisis estadístico desde una perspectiva conceptual y práctica, haciendo énfasis en el uso de herramientas computacionales para el análisis de datos. El curso está estructurado en cuatro temas principales: (1) Análisis Exploratorio de Datos, (2) regresión Lineal, (3) Modelos de Clasificación Lineales y (4) Modelos Lineales Generalizados.

El curso de introducción al machine learning enseña a los estudiantes los conceptos e implementaciones fundamentales sobre el modelamiento predictivo supervisado, tanto en contextos de regresión como de clasificación. Teniendo en cuenta que el aprendizaje automático es una herramienta de utilidad en la toma de decisiones para gran cantidad de aplicaciones en diferentes contextos industriales, como cadena de suministro, finanzas, salud, manufactura, sistemas agrícolas, marketing, entre otros.

El procesamiento de lenguaje natural utiliza diferentes técnicas y algoritmos para comprender el lenguaje humano, por lo que es una de las áreas de aprendizaje automático más aplicadas. Específicamente, en las organizaciones, el uso de machine learning constituye una ventaja competitiva, ya que permite generar soluciones innovadoras y precisas a diferentes problemáticas.
En este curso estudiaremos los conceptos y técnicas fundamentales del machine learning y del procesamiento del lenguaje natural (NLP), con un enfoque en problemas reales para su
implementación en contextos organizacionales.

El curso es el último en la secuencia de Machine Learning. Se centra en modelos de aprendizaje no supervisado. Cubre temas de reducción de dimensión, clustering, sistemas de recomendación, y análisis geográfico. En particular el curso busca que el estudiante tenga la capacidad de identificar situaciones reales donde el uso de modelos aprendizaje no supervisado es apropiada, y este preparado para seleccionar, implementar, evaluar, interpretar y comunicar los resultados de estos modelos.

En este curso se van a desarrollar habilidades técnicas de visualización con el propósito de comunicar historias persuasivas y emocionantes que despierten el interés de diferentes públicos por el trabajo que realizan. Al terminar el curso, podrán aplicar estos conocimientos en su vida profesional para presentar claramente ideas de negocio a posibles inversionistas, articular historias a partir de datos al público general, descifrar ustedes mismos potenciales áreas de investigación que emergen de los datos, revelar las complejidades de su comprensión sobre un problema a públicos especializados sin mayor fricción, y en general ser elocuentes a la hora de producir sentido con el lenguaje visual de la visualización de datos.

En este curso el estudiante adquirirá los conocimientos y habilidades necesarios para identificar un problema, administrar los procesos que implican la transformación de sus datos, la administración de recursos y del riesgo, en entornos de negocio con el propósito de generar valor hacia el interior de la organización.
Para esto, identificarán una necesidad que posea el potencial para ser desarrollado mediante una solución analítica y aplicarán los procesos de gestión pertinentes.

El curso se desarrolla alrededor del concepto de artefacto analítico,
haciendo referencia a cualquier producto resultante de un proyecto de analítica de datos: un reporte, un dashboard, un servicio, aplicación, etcétera. Cada equipo de estudiantes debe diseñar el artefacto según las características específicas de su problema, para luego construir, validar y presentar un prototipo del mismo.

El área de mercadeo en las organizaciones ofrece enormes oportunidades para el desarrollo del campo de analytics: el presente curso le proporciona a la dirección de mercadeo herramientas computacionales efectivas, concebidas para orientar sus decisiones a nivel estratégico como también a nivel de la mezcla de mercadeo. Existe una enorme evidencia que da cuenta de los resultados superiores alcanzados por una compañía cuando sus decisiones de mercadeo se sustentan en el uso de modelos analíticos.

Por medio de teoría de grafos, métodos estadísticos y algoritmos computacionales, el análisis de redes permite explicar dinámicas y patrones a partir de las conexiones entre los agentes de un sistema. A lo largo de este curso adquirirás habilidades y conocimientos en análisis de redes, que te permitirán diagnosticar, intervenir y evaluar sistemas sociales y organizacionales en distintos contextos. Adicionalmente, aprenderás métodos de modelación y simulación computacional que te permitirán inferir patrones, explicar e incluso predecir tendencias y comportamientos colectivos.

Financial Analytics es un curso teórico-práctico, introductorio y electivo en el que se abordan las temáticas:

(1) importancia del análisis de datos en la toma de decisiones financieras; (2) diagnóstico financiero y modelaje de los Estados Financieros; (3) modelos de pronóstico; (4) optimización del portafolio de inversión.

Este curso enseña a los estudiantes los conceptos e implementaciones fundamentales de las redes neuronales y modelos de aprendizaje profundo en general. Tiene como propósito que el estudiante tenga la capacidad de implementar modelos de aprendizaje profundo apropiados en contextos reales, considerando la necesidad del contexto, la disponibilidad y calidad de los datos, y los recursos computacionales disponibles.

Siendo los datos series de tiempo un tipo de recurso altamente valioso para las organizaciones, este curso se enfoca en brindar una colección de metodologías para el pronóstico de series de tiempo, proporcionando teoría y práctica para cada uno de los métodos. Esto se lleva a cabo primeramente estableciendo un proceso metodológico que responde a una problemática planteada tal como ¿qué quiero pronosticar y qué resuelve?, también abordando un breve repaso de los temas básicos estadísticos que sustentan los métodos estudiados. Entenderás la importancia de la transformación de los datos tipos series de tiempo a estructuras para el aprendizaje supervisado como parte esencial en la tarea de pronóstico de datos ordenandos en el tiempo.