Data Science + AI + ML
Ya puedes postularte al
Bootcamp de WLAB (06 de Enero de 2024)
Inicia tu carrera en el mundo de la Ciencia de Datos
(Eres apasionada por las tecnologías: pide tu beca)
WLAB es un programa especializado en preparar mujeres en tecnologías disruptivas de Ciencia de Datos. Esta preparación es un proceso de aprendizaje continuo que tiene una duración aproximada de 6 meses. En este programa las participantes podrán fortalecer sus conocimientos tecnológicos.
En resumen, el Bootcamp está diseñado especialmente para potenciar los conocimientos en nuevas tecnologías; Permitiendo que su preparación este vigente para los próximos años y puedan colocarse en empleos de alto valor agregado y de gran poder adquisitivo.
Nuestro programa está alineado a los objetivos de la agenda 2030 de las Naciones Unidas (NU).
Por lo que tenemos:
1. Impacto social.
2. Equidad de género.
3. Educación de Calidad.
4. Trabajo decente.
5. Crecimiento económico.
6. Innovación.
7. Reducción de la desigualdad (brecha de género en las tecnologías).
8. Fomentar una cultura STEM.
Consolidar equipos de mujeres con altos conocimientos en Big Data y Data Science a fin de que puedan incorporarse al mercado laboral.
Te ofrecemos un Bootcamp de aproximadamente 6 meses, semi-presencial e intensivo que te permitirá continuar tu carrera en el mundo de las tecnologías de Big Data y Data Science.
Al finalizar formarás parte de una extensa Comunidad de Egresadas mediante la cual podrás seguir aprendiendo y creciendo.
En WLAB creemos en el potencial de todas las mujeres
TEMARIO
• Matrices.
• Ecuaciones lineales.
• Métodos de solución: Gauss, Gauss-Jordan.
• Transformaciones lineales.
• Aplicación de transformaciones lineales: reflexión, dilatación, contracción y rotación.
• Funciones: definición, inyectiva, sobre y biyectiva, composición; cardinalidad y conjunto numerable.
• Límites.
• Derivadas.
• Diferenciación implícita, máximos y mínimos.
• Integral de Riemann.
• Enfoque clásico, frecuentista y subjetivo.
• Probabilidad condicional.
• Teorema de Bayes.
• Función de densidad y de distribución.
• Moda, mediana, cuantiles de una variable aleatoria numérica.
• Momentos de una variable aleatoria.
• Valor esperado, varianza.
• Coeficiente de asimetría y curtosis.
• Distribución Binomial, Poisson, Normal.
• Estadística descriptiva.
• Tipos de datos: categóricos, cualitativos, porcentajes, scores, etc.
• Representación mediante gráficos.
• Distribución muestral y poblacional.
• Medidas de dispersión: Rango muestral, desviación estándar, varianza muestral.
• Coeficientes de correlación.
• Estadística inferencial.
• Test de hipótesis.
• Intervalos de confianza.
• Taxonomía de las técnicas de Minería de Datos.
• Tendencias y desafíos de la Minería de Datos.
• Aplicaciones del procesamiento de los datos.
• Proceso de Extracción de Datos: (fuentes - basa de datos, web scraping, texto/NLP).
• Exploratory Data Analysis en R.
• Data cleaning/cleansing(scrubbing).
• Datos faltantes.
• Outliers.
• Aplicación de la Media, Mediana y Moda a los datos.
• Frecuencias y Percentiles.
• Rango, Varianza y Desviación Estándar.
• Pre-processing
• Visualización de los datos.
• Agregación, Muestreo.
• Reducción de dimensionalidad.
• Feature engineering.
• Análisis de Componentes Principales e Independientes.
• Impacto de implementación de Ciencia de Datos en las organizaciones.
• Sus aplicaciones en la industria.
• Clasificadores Basados en Reglas, Vecinos Más Cercanos (KNN), Bayesianos (NB).
• Máquinas de Soportes Vectoriales (SVMs).
• Clasificadores Embebidos, multiclases (Scikit-Learn).
• Validación cruzada (K- iteraciones).
• Solución a problemas de pronóstico
• Regresión lineal, no lineal y múltiple.
• Algoritmos de asignación de ranking de texto (Sistema de recomendación).
• Análisis espacial.
• Machine Learning
• Árboles de decisión.
• Random Forest.
• Redes neuronales.
• Algoritmos tipo aprendizaje sin supervisión: PCA, Clustering methods, kNN.K-means, DBSCAN, Grid-Based Clustering
• Texto y Redes sociales - NLP y Sentiment Analysis,
• Métodos de potenciación.
• Evaluación de modelos
• ¿Cómo evalúas y diferentes métodos?
• Evaluar rendimiento de modelos - Exactitud, ROC, R-2.
• Unbalanced.
• Feature selection.
• Parameter Tuning.
• Over/underfitting.
A través de este módulo el alumno adquiere una combinación de habilidades sociales, habilidades de comunicación, rasgos de la personalidad, actitudes, atributos profesionales, inteligencia social e inteligencia emocional, que facultan a las personas para moverse por su entorno, trabajar bien con otros, realizar un buen desempeño y, complementándose con las habilidades duras, conseguir sus objetivos.
• Fundamentos de Gobierno de Datos en las organizaciones.
• Comprende cómo funciona el área de CDO (chief data officer).
• Comprende qué es una empresa Data Driven.
• Metodología para el desarrollo de proyectos (rapidez y flexibilidad)
• Principales ventajas de ‘agile’:
1. Mejora la calidad.
2. Mayor compromiso.
3. Rapidez.
4. Aumento de la productividad.
• Proyecto final: Durante el proceso de aprendizaje, estarás asesorada por nuestros especialistas para poder llevar a cabo tu proyecto final de Data Science. Con esta actividad pondrás en práctica todos tus conocimientos.
• Recibirás asesorías.
• Asistirás a conferencias especializadas y podrás conversar con expertos, los temas que se abordarán son:
- Big Data.
- Artificial Intelligence.
- GitHub (Repositorio de proyectos)
- Ciencia de Datos con Google Cloud Plataform (GCP)
- Ciencia de Datos con Amazon (AWS)
Sólo tienes que reservar tu lugar con un 25%.
MATEMÁTICAS.
Conocerás los conceptos básicos que necesitas durante el Bootcamp de Ciencia de Datos. Esto es una base para potenciar tu aprendizaje,
SQL PARA BASES DE DATOS.
Aprenderás a realizas consultas SQL (con sentencias select) para obtener datos estructurados de los repositorios.
PYTHON.
Este acercamiento con el lenguaje de programación Python te ayudara a conocer y comprender cómo se utilizan las estructuras de datos para procesarlas en la aplicación de la Ciencia de Datos.
Workshop "Ecosistema de Datos"
Conoce cómo las organizaciones estructuran su información para poder generar valor a través de la analítica de sus datos:
¿Qué aprenderás?
1. Data Mart
2. Data Warehouse
3. Business Intelligence
4. Big Data
5. Data Science
6. Arquitecturas de Datos
7. Data Management
8. Data Governance
9. Data Driven
Workshop "Data Engineer"
Conoce las tecnologías que un especialista de Big Data debe dominar:
¿Qué aprenderás?
1. Ecosistema Hadoop
2. Arquitectura de Datos
3. ¿Cómo funciona Docker+CentOS?
4. Instalar Hadoop sobre Docker
5. Instalar Hive sobre Docker
6. Instalar Spark+Scala sobre Docker
7. Levantar contenedores Docker para un ambiente Hadoop
8. Procesamiento de Datos con SCALA
Workshop "Data Scientist"
Conoce el proceso de Ciencia de Datos y prepárate para iniciar tu carrera como Data Scientist.
¿Qué aprenderás?
1. Fundamentos de Ciencia de Datos
2. El proceso de Data Mining
3. El proceso de Data Science
4. ¿Cómo ayuda la estadística?
5. ¿Cómo ayudan las matemáticas?
6. Regresiones lineales en Data Science
7. Usando R (programando modelos)
8. Para que se utiliza el Machine Learning (ML).
WLAB 2023
By WLAB
Contáctanos por WhatsApp
