Women Data Laboratory

Iniciamos el  18 de enero de 2021
(Online o Presencial  -  Segunda Generación)
FORMANDO CIENTÍFICAS DE DATOS.

Meetup QRO

La comunidad Mcoder.ai capítulo Querétaro
te invita a sus próximas conferencias.

14 de Agosto de 2020.

Convocatoria abierta

Ya puedes postularte al Bootcamp de WLAB
Inicia tu carrera en el mundo de la Ciencia de Datos.

Women Data LAB

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. 

Women Data LAB

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.

Bootcamp

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.

OBJETIVO

Consolidar equipos de mujeres con altos conocimientos en Big Data y Data Science a fin de que puedan incorporarse al mercado laboral.

¿CÓMO FUNCIONA?

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

¿Qué voy a aprender en WLAB?

1. Matemáticas / Álgebra

• Matrices.
• Ecuaciones lineales.
• Métodos de solución: Gauss, Gauss-Jordan.
• Transformaciones lineales.
• Aplicación de transformaciones lineales: reflexión, dilatación, contracción y rotación. 

2. Matemáticas / Cálculo

• Funciones: definición, inyectiva, sobre y biyectiva, composición; cardinalidad y conjunto numerable.
• Límites.
• Derivadas.
• Diferenciación implícita, máximos y mínimos.
• Integral de Riemann.

3. Matemáticas / Probabilidad

• 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. 

4. Matemáticas / Estadística

• 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. 

5. Data Mining

• 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. 

6.  Data Science

• 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.

7. Soft Skills 

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.

8. Actividades extraordinarias 

• 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. 
- Data Driven.
- Data Governance.
- Metodologías AGILE.

Y muchas cosas más por aprender

WLAB  2020

Solicita más información

Contáctanos por WhatsApp