Fundamentos de Analítica Predictiva

fundamentos de analítica predictiva

SOLICITAR INFORMACIÓN
BENEFICIOS DE LA MODALIDAD ONLINE:
  • Podrás seguir nuestro curso desde tu casa u oficina a través de tu PC o Mac sin necesidad de preocuparte por la distancia.
  • Tendrás a un instructor que además de ser un experto en la materia está capacitado para manejar las herramientas tecnológicas disponibles para lograr los objetivos de aprendizaje deseados.
  • Podrás hacer preguntas y obtendrás respuestas en tiempo real.
  • La clase será registrada en un vídeo al cuál podrás acceder en cualquier momento.

Durante las últimas décadas se ha producido un desarrollo explosivo en las tecnologías de base de datos y la cantidad de datos que es recolectada. Esto ha creado una oportunidad sin precedentes para la analítica de negocios mediante el proceso de descubrimiento, ya sea supervisado o no, de información interesante y útil a partir de repositorios de datos disponibles.

La Analítica está relacionada con el análisis, mayormente estadístico, de conjuntos de datos con la finalidad de proporcionar ideas, patrones, modelos descriptivos y predictivos que permitan extraer y generar conocimiento para las organizaciones. Algunas de las tareas más comunes son la clasificación, agrupamiento, descubrimiento de reglas de asociación y patrones de respuestas, detección de anomalías, etc. El modelamiento predictivo se define como el proceso de desarrollar herramientas matemáticas o modelos, que generen predicciones correctas. Dentro de los distintos programas estadísticos disponibles, el R proporciona una poderosa plataforma open source para la aplicación de las técnicas más importantes de la analítica predictiva y es actualmente el programa más utilizado debido, principalmente, al hecho de incluir un mayor número de modelos estadísticos avanzados.

El curso “Fundamentos de Analítica Predictiva” tiene como finalidad brindar los fundamentos estadísticos necesarios para aplicar las principales técnicas de la analítica predictiva usando el programa R. Se aprenderán diversas técnicas como el análisis de regresión lineal múltiple, modelos de clasificación binaria y basadas en árboles, con la finalidad de poder construir, evaluar e interpretar modelos predictivos.

Analistas e investigadores de mercado. Profesionales de marketing. Consultores. Estadísticos.
Público en general que quiera desarrollar habilidades analíticas avanzadas.

Al finalizar este curso, el participante será capaz de aplicar diversas técnicas analíticas predictivas usando el programa R.

De manera específica el participante estará en capacidad de:

  • Entender la necesidad e importancia de la analítica predictiva.
  • Construir e interpretar modelos predictivos.
  • Comparar y evaluar modelos.
  • Utilizar el programa estadístico R para aplicar técnicas analíticas predictivas.
  • Presentar de manera efectiva los resultados obtenidos con el modelamiento predictivo.

Enver G. Tarazona Vargas

Enver Tarazona es Director Académico y co-fundador de Perustat Analytics. Trabajó como experto de la Dirección de Calidad, Procesos y Lealtad de Telefónica Móviles S.A. Cuenta con más de 7 años de experiencia como docente en las principales universidades del país, desempeñándose actualmente como profesor en la Pontificia Universidad Católica del Perú (PUCP) y en la Universidad del Pacífico (UP). Es también profesor invitado del curso de Minería de Datos en la maestría de Estadística Aplicada de la Universidad Nacional Agraria La Molina (UNALM). Tiene además experiencia como capacitador en programas de análisis estadístico como R, SPSS, SAS y Stata para diversas empresas e instituciones entre las que figura Telefónica Móviles S.A., la Superintendencia Nacional de Administración Tributaria (SUNAT) y la Caja Municipal de Ahorro y Crédito Huancayo S.A.

Enver es Ingeniero Estadístico e Informático de la UNALM y Magister en Estadística por la PUCP. Tiene también estudios culminados de maestría en Educación en la Universidad Peruana Cayetano Heredia (UPCH) . Su área de investigación se centra en el ámbito de la Teoría de Respuesta al íItem (TRI) bajo inferencia Bayesiana aplicada al Marketing, comportamiento del consumidor y la medición educativa. Ha participado frecuentemente como expositor en diversos eventos académicos nacionales e internacionales.

Ver el perfil de Enver Tarazona Vargas en LinkedInVer el perfil de Enver Tarazona Vargas

José A. Caycho Huamani

José Caycho trabaja como Analista Senior de Investigación de Marcados en la Dirección de Marketing de Supermercados Peruanos S.A. perteneciente al Grupo InRetail. Cuenta con más de 3 años de experiencia en el rubro de Retail, Conocimiento del Consumidor y de Investigación de Mercados. Es también docente en la División de Estudios Profesionales para Ejecutivos (EPE) de la Universidad Peruana de Ciencias Aplicadas (UPC)

José es Bachiller Estadístico e Informático de la Universidad Nacional Agraria La Molina (UNALM),
Especialista en Gestión de la Calidad y Productividad Total y candidato a Magister en Estadística
Aplicada por la UNALM.

Ver el perfil de José A. Caycho en LinkedInVer el perfil de José A. Caycho

Ebson David Allende Quintana

David Allende es Experto en Modelamiento Predictivo de la División de “Customer Relationship and Management” (CRM) del Banco Internacional del Perú. Ha sido experto en Datamining en la División de Inteligencia de Negocios de Telefónica del Perú, Consultor Analítico y Capacitador de SPSS Andino. Es profesor a tiempo parcial en la División de Estudios Profesionales para Ejecutivos (EPE) de la Universidad Peruana de Ciencias Aplicadas (UPC) y el Centro de Tecnologías de Información de la Universidad César Vallejo.

David es Especialista en Inteligencia de Negocios de la Universidad ESAN, Ingeniero Estadístico e Informático de la Universidad Nacional Agraria La Molina. Experiencia en proyectos de Business Analytics, Business Intelligence, Big Data con importantes entidades locales e internacionales en los rubros de banca, telecomunicaciones, consumo masivo y gobierno.

Ver el perfil de David Allende en LinkedInVer el perfil de David Allende

Al comenzar el curso, el participante elegirá la categoría de certificación:

  • Certificado de asistencia: Para obtener este certificado debe de mantener un porcentaje mínimo de 70 % de asistencia a clases.
  • Certificado de aprobación: La calificación final se basa en dos exámenes o listas de ejercicios (30 % cada uno) y un proyecto colaborativo final (40%). Para aprobar el curso los participantes deben obtener un promedio final aprobatorio (mayor o igual a 11) y contar con el porcentaje mínimo de asistencia a clases. Los participantes que obtengan un promedio final igual a 18 o más recibirán un certificado de distinción.

La certificación que se otorga es excluyente.

Contenidos

UNIDAD 1: INTRODUCCIÓN

SESIÓN 1: Conceptos Básicos
  • Modelamiento predictivo: Conceptos básicos. Predicción numérica vs. clasificación.
  • Balance entre predicción e interpretación.
  • Ingredientes básicos de los modelos predictivos.
  • Pre-procesamiento de datos.
  • Eliminación, adición y discretización de predictores.
  • El problema de sobreajuste.
  • Afinamiento de modelos.
  • División de datos y esquemas de estimación del error.
  • Técnicas de remuestreo.

UNIDAD 2: MODELOS DE REGRESIÓN

SESIONES 2 y 3: Definición y Estimación del Modelo
  • Definición del Modelo de Regresión Lineal Múltiple.
  • Discusión de los supuestos del modelo.
    • Linealidad de los efectos de las covariables.
    • Homocedasticidad de las varianzas del error.
    • Errores no correlacionados.
    • Aditividad de los errores
  • Estimación de los Parametros
    • Estimación e interpretación de los coeficientes de regresión.
    • Estimación de la varianza del error.
    • Propidades de los estimadores.
    • Análisis de Varianza (ANOVA) y el coeficiente de determinación (R2)
  • Modelamiento de los efectos de las covariables
    • Covariables continuas.
    • Covariables categóricas.
    • Interacción entre covariables.
SESIONES 3 y 4: Inferencia y Predicción
  • Pruebas de hipótesis e intervalos de confianza.
  • Prueba exacta F.
  • Regiones de confianza e intervalos de predicción.
  • Selección de variables.
  • Análisis de residuales.

UNIDAD 3: MODELOS DE CLASIFICACIÓN

SESIÓN 5: Regresión Binaria
  • Definición del modelo.
  • Modelo de regresión logística binaria (logit): Interpretación de los coeficientes.
  • Validación del modelo.
  • Modelo Probit.
  • Modelo Cloglog y otros modelos asimétricos.
  • Predicción (scoring) y matrices de confusión.
SESIÓN 6: Árboles de Clasificación
  • Árboles de Decisión: Representación. Partes de un Árbol de Decisión.
  • Inducción y aprendizaje. Medidas de Selección de Atributos. Principales Algoritmos.
  • Árboles de Clasificación (RPART). Construcción y poda del árbol.
  • Árboles por inferencia condicional.

¡ACCEDE A LA PROMOCIÓN POR FIESTAS Y AHORRA EL 50%!

MODALIDAD
Online
(Revisa los Requisitos Técnicos)

DURACIÓN
24 Horas Académicas en 6 sesiones.

FECHAS
Por definir

NIVEL
Básico

CONOCIMIENTOS REQUERIDOS

INVERSIÓN
Público en General: S/. 1200 (ó US$ 400)

Inscripción Temprana 1 (por definir): S/. 720 (ó US$ 235)

Estudiantes de Pre-Grado: S/. 600 (ó US$ 200)
Académicos / Estudiantes de Post-Grado: S/. 840 (ó US$ 270)

La inversión incluye certificado de participación digital emitido por PeruStat Analytics.

Todos los precios incluyen IGV.

FORMAS DE PAGO

1. Transferencia ó Depósito Bancario a nuestra cuenta corriente en soles

BANCO DE CRÉDITO DEL PERÚ
Titular: PeruStat Analytics S.A.C.
Cta. Cte. N° 194-2107756-0-63
CCI N° 00219400210775606395

2. A través de PayPal con tu tarjeta de crédito o débito. Si este es tu caso, por favor ponte en contacto con nosotros para enviarte los pasos de pago.


Solicita Información

Usted puede solicitar información y pre-inscribirse para que le enviemos la información correspondiente. Siéntete libre de hacernos llegar tus comentarios y sugerencias, tu opinión es muy importante para nosotros.

País:

¿Cómo llegó a nosotros?*    

Nuestros alumnos provienen de los principales sectores de la economía y empresas del país: