No hay comentarios.

CURSO:APPLIED MACHINE LEARNING FOR BUSINESS
TRADUCCION:MACHINE LEARNING APLICADO PARA NEGOCIOS
SIGLA:EAM649
CREDITOS:05
MODULOS:03/TRIMESTRAL
CARACTER:OPTATIVO
TIPO:CATEDRA
CALIFICACION:ESTANDAR
PALABRAS CLAVE:DATA SCIENCE,MACHINE LEARNING,BIG DATA
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

Los y las estudiantes lograran una comprension esencial de las funciones que debe realizar un ejecutivo que se desenvuelve en analisis de datos, junto con adquirir conocimiento de herramientas computacionales, el proceso de ciencia de datos y, los metodos de machine learning que permitan resumir y comprender de mejor manera la informacion disponible en una organizacion. Todo esto mediante el uso de laboratorios y sesiones de debate y estudio de casos, y evaluado mediante aplicaciones en clase e informes escritos.


II.RESULTADOS DE APRENDIZAJE

1.Explicar los fundamentos del Data Science y las etapas que conlleva un proyecto analitico.

2.Seleccionar una plataforma para desarrollar proyectos de Big Data, de acuerdo a las necesidades de una organizacion especifica.

3.Aplicar tecnicas de gestion y almacenamiento de informacion, para mejorar el servicio de informacion en una organizacion y sea de utilidad en proyectos analiticos.

4.Aplicar metodos de machine learning para resolver problemas de negocios.

5.Comunicar de manera efectiva los resultados del analisis de datos utilizando herramientas de visualizacion.

6.Aplicar redes neuronales en proyectos analiticos relacionados al reconocimiento de imagenes.


III.CONTENIDOS

1.Revolucion de la ciencia de datos y machine learning:
1.1.?Que es el Data Science?
1.2.Beneficios de la ciencia de datos para resolver problemas de negocios.
1.3.?Cual es el rol del Machine Learning en el proceso de Ciencia de Datos?
1.4.?Cual es el rol del Big Data?

2.El proceso de Ciencia de Datos
2.1.Herramientas tecnologicas para desarrollar proyectos analiticos
2.2.Introduccion a RStudio y Databricks
2.3.Tratamiento de datos en la toma de decisiones
2.4.Herramientas de web scraping

3.Modelos analiticos para busqueda de perfiles
3.1.Metodos analiticos no supervisados
3.2.Segmentacion de consumidores con K-Medias.
3.3.Market Basket Analysis: Comportamiento de compra.

4.Modelos predictivos para definicion de estrategias:
4.1.Forecast de demanda mediante Regresion Lineal
4.2.Clasificacion de morosidad financiera usando modelos de Regresion Logistica
4.3.Prediccion y clasificacion utilizando el metodo K-Nearest Neighbor
4.4.Metricas de evaluacion de modelos

5.Machine Learning para problemas de negocios
5.1.Prediccion y clasificacion utilizando arboles de decision y Random Forest
5.2.Redes Neuronales: Tipos de Redes Neuronales.
5.3.Modelo perceptron simple y multicapa. Comparacion con metodos tradicionales
5.4.Redes Neuronales Convolucionales para clasificacion de imagenes
5.5.nicacion de resultados:
5.6.Metricas de seguimiento.
5.7.Dise?ar visualizaciones de valor para comunicar resultados con RStudio y Power BI


IV.ESTRATEGIAS METODOLOGICAS

-Exposicion dialogica de contenidos.

-Laboratorio.

-Debate.

-Caso real presentado por un lider analitico del mercado Chileno.


V.ESTRATEGIAS EVALUATIVAS

-Aplicaciones en clases: 30%

-1 Informe escrito(tarea): 40%

-1 examen: 30%


VI.BIBLIOGRAFIA

Minima

Wickham and Grolemund, R for Data Science,2017 First Edition.

Gareth James, Daniela Witten, Trevor Hastie , Rob Tibshirani, An Introduction to Statistical Learning with Applications in R.2013 First Edition.

Murphy, Kevin, Machine Learning: A Probabilistic Perspective. The MIT Press.

Wickham,Ggplot2: Elegant Graphics for Data Analysis R, Second Edition.


Complementaria

Zhao Yanchang, R and Data Mining, Examples and Case Studies,2015 First Edition.

Karau, Konwinski, Wendell y Zaharia: Learning Spark: Lightning-Fast Big Data Analysis,2015 First Edition.

Capriolo, Wampler y Rutherglen, Programming Hive: Data Warehouse and Query Language for Hadoop,USA, 2012.https://docs.databricks.com/spark/latest/sparkr/sparklyr.html


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE ECONOMIA Y ADMINISTRACION-MBA / ABRIL 2024