Avalado por la Caribbean International University y la Universidad Central de Venezuela

Master in Data Mining and Business Analytics

DiplomadosOnline.com Formando profesionales capaces de manejar las técnicas avanzadas de análisis de datos y la estadística aplicada, así como su implementación en diferentes tecnologías y su implicación en el análisis de datos

DiplomadosOnline.com a un click de tu alcance... Nuestros diplomados tienen como objeto ampliar, actualizar y fortalecer las competencias prácticas y especializadas en la formación de cada estudiante.  “DiplomadosOnline.com, comprometidos con el desarrollo de tu perfil profesional”.

Formación a tu alcance

DiplomadosOnline.com fundamenta su estrategia académica en el novedoso método de Píldoras de Conocimiento (Knowledge Pills) y clases en línea centradas en el estudiante. “DiplomadosOnline.com, formación a tu alcance”. Nuestros facilitadores utilizan diferentes estrategias para el desarrollo del pensamiento crítico, promoviendo experiencias de aprendizaje. El seguimiento de cada estudiante es constante, con el objeto de acompañar y sostener el éxito del proceso. “DiplomadosOnline.com, un método para aprender haciendo”.

Fundamentación A nivel mundial, a diario se generan 2.5 trillones de bytes de información; tanto es así que el 90% de los datos en el mundo se han creado sólo en los últimos 2 años. Esa información proviene de todos lados: sensores que recogen información climática, publicaciones en las redes sociales, imágenes y vídeos digitales, registros de compra y transacciones y señales de GPS de los móviles, entre otros. En 2020, habrá al menos 26 billones de dispositivos inteligentes en hogares y oficinas. Ellos proporcionarán datos segundo a segundo y generarán miles de terabytes al día, pasando de los 4,4 Zettabytes de la actualidad a más de 44. Este gran volumen de información se conoce como “Big Data”, y es a partir de su nacimiento que se hace necesaria la formación de un profesional que lo conozca y aproveche: el Científico de Datos. La revista Harvard Business Review publicó que: “El trabajo del científico de datos es el más atractivo del siglo 21. Estos profesionales altamente codiciados combinan el conocimiento del negocio, las tecnologías de Big Data, y las habilidades de analítica avanzada para mejorar la toma de decisiones y el rendimiento de cualquier organización. Los científicos de datos descubren información procesable que impulsa la innovación”. El avance de las nuevas tecnologías y el desarrollo del Big Data requieren de profesionales con habilidades en numerosos campos: informática, matemáticas, estadística y negocios. El programa Master in Data Mining and Business Analytics imparte y desarrolla los conocimientos y las habilidades necesarias para manejar las técnicas avanzadas de análisis de datos, la estadística aplicada y su implementación en diferentes tecnologías (R, WEKA, Python); así como una introducción al Big Data y su implicación en el análisis de datos, utilizando las técnicas más avanzadas de Machine Learning y Deep Learning. Acelere su carrera y domine las áreas clave necesarias para el éxito en Data Mining y Business Analytics. Conviértase en un profesional internacional que pueda impulsar la innovación en cualquier organización. Duración: 6 Trimestres / 2 Años Título otorgado: Master in Data Mining and Business Analytics

MASTER IN DATA MINING AND BUSINESS ANALYTICS TRIMESTRE I

- DIPLOMADO EN ANÁLISIS ESTADÍSTICO

CRÉDITOS



Fundamentos del Análisis descriptivo y Teoría de Probabilidad 2 Fundamentos de Estadísticas Inferencial y Análisis Lineal de Datos 2 Fundamentos de Análisis Mulitivariado 2



Fundamentos de Data Management 2 Fundamentos de Business Intelligence: Tecnologías, Metodologías y Arquitecturas 2 Desarrollo de Soluciones de Business Intelligence 2



TALLER DE SUFICIENCIA DEL IDIOMA INGLES I

- DIPLOMADO EN BUSINESS INTELLIGENCE

S/N

TRIMESTRE II

- DIPLOMADO EN DATA MINING



Fundamentos de Data Mining 2 Fundamentos de los Métodos Descriptivos 2 Fundamentos de los Métodos Prescriptivos 2



- DIPLOMADO ANÁLITICA AVANZADA

Calibración y Selección de Métodos en Data Mining 2 Análisis de Series de Tiempo y Forecasting 2 Machine Learning 2 TALLER DEL TRABAJO DE GRADO 2

TALLER DE SUFICIENCIA DEL IDIOMA INGLES II

S/N

TRIMESTRE III

- DIPLOMADO EN BIG DATA



Fundamentos de Big Data y proyecto Hadoop 2 Fundamentos de la programación MapReduce 2 Fundamentos de las Bases de datos NoSQL 2

- DIPLOMADO ELECTIVO (*) 6 TRABAJO DE GRADO / DEFENSA 2 TOTAL CRÉDITOS



40

(*) Materias electivas: los estudiantes podrán elegir cualquiera de los siguientes programas ofertados por DiplomadosOnline.com y cursarlo como electiva. • • • • •

Auditoria de Sistemas Desarrollo de Soluciones Web Desarrollo de Soluciones Móviles Diseño y Desarrollo de Bases de Datos Gestión de Procesos de Negocio (BPM)

• • • • •

Gestión de Proyectos de TI Gestión de Relaciones con el Cliente (CRM) Indicadores de Gestión Empresarial Marketing Digital y Redes Sociales Planificación de Recursos Empresariales (ERP).

Taller Trabajo Grado –> Inscripción para el Trabajo de Grado Para obtener el título de “Master in Data Mining and Business Analytics”, debe presentar y defender el Trabajo de Grado. Antes de ello, deberá cursar la asignatura Taller de Trabajo de Grado (TTG) y luego inscribir el Trabajo de Grado.

DIPLOMADO EN ANÁLISIS ESTADÍSTICO

Módulo 1 Fundamentos del Análisis Estadistico Tema 1: Introducción a la programación estadística con R Tema 2: Análisis Descriptivos Tema 3: Teoría de probabilidad

Módulo 2 Fundamentos de Estadísticas Inferencial, Análisis Lineal de Datos Tema 4: Fundamentos de estadistica inferencial Tema 5: Análisis lineal de datos

Módulo 3

Tema 6: Análisis multivariado

üü Conceptos de métodos multivariados estadísticos. üü Análisis Factorial üü Análisis en componentes principales üü Análisis de correspondencias üü Análisis de conglomerados üü Análisis discriminante

BUSINNES INTELLIGENCE

Módulo 1

Fundamentos del Modelado de Bases de Datos Relacionales (BDR) Tema 1 PP Los sistemas de información en las organizaciones PP Data Management Tema 2 PP Fundamentos de Bases de datos relacionales (BDR) PP Patrones para el desarrollo de BDR PP Diseño y modelado de BDR PP Construcción de BDR PP Manipulación de BDR PP Fundamentos de lenguaje de estructurado de consulta (SQL) PP DDL PP DML

Módulo 2

Fundamentos de la Inteligencia de Negocios (BI) Tema 3 PP Definiciones de BI PP Historia de BI PP Usuarios de BI PP Componentes de un sistema BI PP Aportes de BI Tema 4 PP Plataforma de BI PP Características BI PP Componentes BI PP Arquitectura BI Tema 5 PP Metodología para el desarrollo de sistemas de BI PP Enfoque top-down PP Enfoque bottom-up PP Kimball Lifecycle (KLC)

Módulo 3

Desarrollo de Soluciones Analíticas Tema 6 PP Presentación del Caso de Estudio PP Fase I: Evaluación y definición del proyecto PP Fase II: Evaluación de análisis y requerimientos PP Fase III: Diseño arquitectónico y dimensional PP Fase IV: Desarrollo de BD, ETL y Cubos PP Fase V: Pruebas y despliegue

Data Mining Módulo 1

Fundamentos de Minería de Datos Tema 1

üü Definiciones básicas üü Áreas de aplicación y ejemplos üü Metodologías y estándares üü Proceso KDD üü Metodología CRISP-DM üü Características de los datos üü Fuentes de datos üü Caja de herramientas

Tema 2

üü Introducción al lenguaje R üü Generación de números aleatorios üü Programación vectorial e indexación lógica üü Familia de funciones applay üü Computación paralela y distribuida üü Visualización de los datos üü Conexión con bases de datos y otras fuentes üü Persistencia de datos y modelos üü Estructuras de datos grandes üü Selección de atributos üü Preprocesamiento y limpieza üü Problema de la dimensionalidad üü Extracción de características

Módulo 2

Fundamentos de los Métodos Descriptivos Tema 3

PP Análisis exploratorio de datos PP Mapa de correlaciones PP Modelos estadísticos PP Bondad de ajuste PP Análisis de Componentes Principales (PCA) PP Plano principal PP Relación entre variables PP Calidad de la representación PP Reducción de la dimensionalidad con el PCA. PP Identificación de conglomerados PP La Inercia y el teorema de Fisher PP Cálculo de la distancia PP Estimación del número de grupos PP Arboles de Clasificación Jerárquica PP Método de nubes dinámicas con K-medias. PP Paralelizando el método de K-medias

Módulo 3

Fundamentos de los Métodos Predictivos Tema 4

PP Definiciones de clasificación PP Problema de separabilidad PP Uso de funciones Kernel PP Entrenamiento y testing PP Medidas de calidad PP Eficiencia PP Cálculo de errores PP Matriz de confusión PP Curvas ROC

Tema 5

PP Métodos de clasificación. PP Análisis discriminante PP Análisis discriminante cuadrático PP Método Bayesiano ingenuo PP Regresión logística PP Método de K-vecinos más cercanos PP Máquinas de Soporte Vectorial (SVM) PP Arboles de decisión PP Bosques aleatorios PP Redes neuronales PP Evaluación de los métodos PP Problemas del uso de conjuntos de entrenamiento y testing PP Sobreajuste o especialización PP Validación cruzada

DIPLOMADO EN ANÁLITICA AVANZADA

Módulo 1

Calibración y Selección de Métodos en Minería de Datos

Aprendizaje no supervisado • Clustering • Análisis en • componentes principales

Aprendizaje Supervisado • • • • • • •

Método de K-Vecinos Método de Bayes Máquinas de soporte vectorial Árboles de decisión Bagging Boosting Redes neurales

• Validación cruzada (cross validation) • Remuestreo (bootstrapping) • Calibración y selección de modelos

Módulo 2 Análisis de Series de Tiempo • • • • •

Justificación Definición Ejemplos Pruebas Componentes

Módulo 3 • • • • • • • • •

Forecasting üü üü üü üü

Despliegue visual de series de tiempo Errores, precisión y sesgo del Forecasting Usando líneas de tendencias en forecasting Modelado de crecimiento exponencial y tasa compuesta de crecimiento anual ( CAGR ) üü Estacionalidad y método de medias móviles üü Forecasting con múltiples regresiones

MACHINE LEARNING

Regresión lineal con una variable Álgebra Lineal Regresión lineal con múltiples variables Regresión logística Regularización Redes Neuronales: Representación Redes neuronales: Aprendizaje Consejos para la Aplicación de la máquina de aprendizaje Diseño de Sistemas de Máquinas de Aprendizaje

• • • • • •

Máquinas de Soporte Vectorial Aprendizaje no supervisado Reducción de dimensionalidad Detección de anomalías Sistemas de Recomendación Máquina de aprendizaje de gran escala

Big Data Módulo 1 Fundamentos de Big Data y el proyecto Hadoop

Módulo 2 Fundamentos de la Programación MapReduce

Tema 1

Tema 2

üü Definiciones básicas üü Historia del Big Data üü Areas de aplicación üü Introducción al üü Proyecto Hadoop üü Almacenamento üü distribuido (HDFS) üü Procesamento üü distribuido üü (MapReduce) üü Arquitectura Hadoop üü El ecosistema üü Hadoop y las üü herraminetas de: üü Coordinación üü Integración üü Análisis üü Almacenamiento üü Cloud Computing

PP Fundamentos de la computación paralela y distribuida PP El paradigma MapReduce PP Algunos ejemplos básicos PP Consultas y cruces de datos usando MapReduce PP Implementación PP de algorimos de análisisde datos con MapReduce PP Agrupamientos o clustering PP Regresión lineal PP Clasificación: PP Regresión Logística PP Vecinos más cercanos P Sistemas de PP recomendación PP Gerarquización con el PP método PageRank PP Fundamentos del TextPP Mining y el Web-Mining Fundamentos del PP análisis de redes sociales

Módulo 3 Fundamentos de las Bases de datos NoSQL Tema 3 PP Introducción a las bases de datos NoSQL PP NoSQL o “no solo SQL” PP Fundamento PP de las bases de datos orientadas a columnas PP Tipos de bases de datos NoSQL PP Tipo clave-valor P Orientadas a PP documento PP Bases de datos de PP grafos PP Fundamentos de PP HBASE PP Fundamentos de PP MongoDB PP Escalando bases de datos NoSQL en PP plataformas Hadoop Formulación, diseño PP y ejecución de un proyecto de Minería de Datos

Dirigido a

Objetivo

Profesionales que desarrollan su actividad en:

El Master in Data Mining and Business Analytics tiene como objetivo principal formar profesionales capaces de concebir, diseñar, gestionar y liderar proyectos en el área de Business Analytics. Por tal motivo, al finalizar el Master, los participantes estarán en capacidad de:

• • • • • • • • • • • •

Business Intelligence. Dirección General. Planificación y estrategia. IT e informática. Áreas funcionales: marketing, ventas, finanzas, operaciones, RRHH. Consultoras de negocio, procesos, otros afines. Economía Digital. Estadísticas. Econometría. Experto en Análisis de Datos. Expertos en Investigación Social y de Mercados Otros afines.

• Desarrollar la función del Business Intelligence. • Manejar y gestionar datos: Datawarehouse y Big Data. • Ejecutar el análisis estratégico y la planificación estratégica. • Generar Cuadros de Mando Integral (BSC) y reporting. • Gestionar, de forma técnica, los proyectos y equipos de trabajo en Business Intelligence y Big Data. • Diseñar campañas de Marketing Digital, Social Media y Movilidad, vinculadas a Sistemas de Información.

Requisitos Para postularse a este programa, es necesario: • Tener al menos un grado académico equivalente o mayor a la licenciatura en alguna de las siguientes áreas: Matemáticas; Administración y Dirección de Empresas; Comercio; Economía; Econometría; Estadística; Sociología; Análisis de Negocios; Marketing; Finanzas; Control de Gestión; RRHH; Detección y Mitigación del Fraude; otras afines. • Tener estudios o experiencia en Análisis de la Información. • Consignar Currículum Vitae.

Perfil del Egresado Algunas de las posiciones para las que se prepara en el área profesional son: • Analista de mercado. • Consultor de Negocios. • Consultor de Business Intelligence. • Gerente de mercadeo. • Director de marketing. • Director de Estudios cuantitativos en publicidad. • Analista de Datos. • Científico de datos. • Analista de negocio. • Investigador. • Marketing Analyst. • Analista de Venta. • Fidelización de clientes. • Consultor de Business Analyst.

Profesores Wilfredo Rangel Magister Scientiarum en Ciencias de la Computación, Universidad Central de Venezuela. Docente investigador, categoría Asistente, en Sistemas de Información, Escuela de Computación, Universidad Central de Venezuela.

Paul Quijada Magíster Scientiarum en Modelos Aleatorios, Universidad Central de Venezuela. Área de Investigación: Modelos de Espacio de Estados Multivariados con algoritmos de filtrado y suavizado de Kalman.

Richard Nieto Licenciado en Economía. Contador. Vicepresidente de Finanzas, ESVENCA. Vicepresidente de Planificación, 100% Banco. Director de Gestión Administrativa y Contable, Mi Casa Entidad de Ahorro y Préstamo. Especialista en planificación estratégica y desarrollo de Indicadores de Gestión Empresarial.

José Sosa

Licenciado en Computación, Universidad Central de

Venezuela. Docente de Probabilidad y Estadística, Ciencia de Datos y Minería de datos, Universidad Central de Venezuela. Presidente del Centro Nacional de Tecnologías de Información (CNTI)

José Maestre Licenciado en Administración, Mención Informática. Especialista en Bases de Datos. Profesional con basta experiencia en las áreas de Tecnologías de la Información e Implementación y Diseño de Big Data para telecomunicaciones.

Profesores

Carlos Saritama Ingeniero en Sistemas. Especialista en Inteligencia de Negocios, utilizando herramientas de Open Source como Pentaho.

Johan Natera Ingeniero en Sistemas. Especialista en Innovación Tecnológica. Especialista en Inteligencia de Negocios, utilizando herramientas de Open Source como Pentaho, Tableau, Qlik.

Ronald Pietri Licenciado en Computación, Universidad Central de Venezuela. Profesor de Probabilidades y Estadística, Universidad Central de Venezuela. Director General de la Oficina de Estadísticas y Análisis Prospectivo, Ministerio del Poder Popular para la Educación Universitaria (MPPEU), Venezuela.

Edgar Camargo Magíster Scientiarum en Automatización e Instrumentación. Doctor en Ciencias Aplicadas, Mención Automatización y Control. Analista Mayor de Control de Procesos de Gerencia AIT Corporativo, PDVSA.

Eddre Peña Magíster Scientiarum en Modelos Aleatorios, Universidad Central de Venezuela. Área de Investigación: Aprendizaje Estadístico con Máquinas de Soporte Vectorial.