El curso presenta metodologías, modelos y herramientas para el análisis y solución de problemas de decisión bajo incertidumbre, con uno o múltiples atributos, haciendo énfasis en la importancia de utilizar metodologías estructuradas y herramientas apropiadas como soporte para la toma racional de decisiones en las organizaciones en proyectos de analítica de datos.  El curso está estructurado en los siguientes temas:

• ¿Qué es Decision Analysis? Relevancia de esta disciplina en el desarrollo de proyectos de Analytics
• Metodología para el análisis y solución de problemas de toma de decisiones en las empresas. Conceptos claves para la estructuración de problemas de analítica de datos
• Lineamientos para la construcción de modelos de evaluación financiera, en proyectos de analítica de datos
• Métodos multicriterio para la evaluación de las alternativas de decisión
• Modelos para la construcción y evaluación de estrategias de decisión
• Modelos de simulación de Monte Carlo para cuantificación del Riesgo
• Modelos para estimación de riesgo por medio de modelos probabilísticos causales
• Eliciting Information from Groups (asignación de probabilidades subjetivas)

 

Las decisiones de carácter estratégico, tales como la inversión en una nueva plataforma tecnológica, el lanzamiento de un nuevo producto al mercado, la inversión en activos fijos, son decisiones con ciertas características comunes: no son reversibles o su costo de reversión es muy alto, son difícilmente replicables, comportan riesgo y tienen un impacto importante en el futuro de la empresa.

 

El Análisis de Decisiones es una disciplina muy cercana a la Administración de Empresas, la Ingeniería Industrial y la Economía, que se ocupa de estudiar la estructura y las particularidades de un problema de decisión de alto impacto, que comporta riesgo. Es un enfoque integrador que provee metodologías, herramientas conceptuales y métodos computacionales, para analizar un problema de decisión de manera estructurada.

 

Este curso busca desarrollar habilidades de programación en el contexto de análisis de datos. Está dirigido a un público familiarizado con la programación, pero que no necesariamente ha utilizado Python, o programación en el contexto de análisis de datos. Se cubre desde una introducción rápida al ecosistema Python y a la sintaxis de sus estructuras de datos y control, seguido de tutoriales introductorios sobre manipulación, exploración y análisis de datos con paquetes ampliamente usados, como Pandas, Seaborn y Scikit Learn, entre otros.

 

Este curso pretende guiar al estudiante en el desarrollo de aplicaciones de analítica descriptiva basadas en tableros de control y análisis OLAP, haciendo énfasis en los procesos de perfilamiento de datos, calidad de datos, integración y limpieza de fuentes de datos estructuradas, transformación y carga de datos, al igual que en el diseño e implementación de modelos multidimensionales para la persistencia de las fuentes, con el fin de apoyar a una organización en el seguimiento del logro de sus objetivos y las acciones y decisiones entorno a ellos.

 

El curso pretende desarrollar herramientas básicas del análisis estadístico que ofrezcan al participante una primera capacidad para construir modelos en el campo de Analytics. Se consideran tres tipos de modelos: (1) Modelos de regresión lineal, (2) Modelos de clasificación lineales, entre ellos regresión de respuesta binaria (regresión logística) y análisis discriminante; y (3) Modelos lineales generalizados. Al finalizar el curso los estudiantes estarán en capacidad de:

• Comprender las medidas que describen apropiadamente las características de un conjunto de datos con el fin de construir teorías y apoyar el desarrollo de modelos estadísticos diseñados para explicar relaciones entre variables y predecir su respuesta. 

• Reconocer las características particulares de los modelos y su relevancia en la explicación y el pronóstico de las variables de interés.

• Estimar e interpretar los parámetros de los modelos y probar las hipótesis asociadas.

• Establecer la validez de los modelos construidos para representar una situación real.

• Introducir modificaciones a los modelos para mejorar su capacidad de representar la situación en estudio.

• Elegir el modelo que mejor caracterice la situación que se pretende representar.

• Realizar el análisis exploratorio de un conjunto de datos y aplicar los modelos en situaciones reales haciendo uso de R.

 

En este curso los estudiantes van a desarrollar habilidades técnicas de visualización con el propósito de comunicar historias persuasivas y emocionantes que despierten el interés de diferentes públicos por el trabajo que realizan. Al terminar el curso, los estudiantes podrán aplicar estos conocimientos en su vida profesional para presentar claramente ideas de negocio a posibles inversionistas, articular historias a partir de datos al público general, descifrar potenciales áreas de investigación que emergen de los datos, revelar las complejidades de su comprensión sobre un problema a públicos especializados sin mayor fricción, y en general ser elocuentes a la hora de producir sentido con el lenguaje visual de la visualización de datos.

A pesar de ser un curso introductorio, los estudiantes van a encontrar suficientes pistas y recursos para que puedan profundizar por ellos mismos en la visualización de datos, en sus dimensiones técnicas y en sus posibilidades como herramienta narrativa. Este es un curso donde los estudiantes van a contar historias, así que el lenguaje visual y escrito serán importantes; también van a trabajar de forma individual y en grupo, todo esto con la intención de producir un ambiente amigable y productivo para su formación alrededor de la Visualización y el Storytelling. Al finalizar el curso el estudiante estará en capacidad de:

• Comprender las diferentes formas de narrar con visualizaciones: a nosotros mismos, a público especializado y al público general
• Usar, con sentido crítico, formas de visualización de datos y las diferentes herramientas para crearlas
• Identificar cuándo se deben crear herramientas propias para poder narrar claramente las ideas
• Aplicar, en la práctica, las diferentes formas de visualización y narración

 

El curso de introducción al machine learning enseña a los estudiantes los conceptos e implementaciones fundamentales sobre el modelamiento predictivo supervisado, tanto en contextos de regresión como de clasificación. Lo anterior debido a que el aprendizaje automático es una herramienta de utilidad en la toma de decisiones para gran cantidad de aplicaciones en diferentes contextos industriales, como cadena de suministros, finanzas, salud, manufactura, sistemas agrícolas, marketing, entre otros.

Así, de manera general, el curso abarca los temas de modelos lineales y modelos no lineales para problemas de regresión y clasificación, introducción a redes neuronales, árboles de decisión y ensamblajes, máquinas de soporte vectorial, regularización, gestión de datos faltantes y transformación de variables.

En particular, se tiene como propósito que el estudiante tenga la capacidad de seleccionar modelos predictivos apropiados en contextos reales, implementar modelos de machine learning, interpretar y comunicar resultados de estos modelos y finalmente identificar oportunidades de aplicación de machine learning en las organizaciones. Al finalizar el curso el estudiante estará en capacidad de:

• Implementar modelos de Machine Learning usando herramientas computacionales apropiadas en datos reales
• Seleccionar modelos predictivos apropiados de acuerdo con la disponibilidad de los datos y con los recursos computacionales disponibles
• Interpretar y comunicar los resultados de modelos predictivos
• Identificar oportunidades de aplicación de Machine Learning en contextos organizacionales

 

Este curso presenta una introducción a conceptos y técnicas fundamentales de machine learning y procesamiento del lenguaje natural (NLP, en inglés) con un enfoque en problemas reales para su implementación en contextos organizacionales. Al finalizar el curso, el estudiante estará en capacidad de implementar sistemas productivos de Machine Learning para que puedan ser usados en diversos ambientes organizacionales.

 

El curso comienza estableciendo la relación que tiene la optimización con la analítica de datos y los modelos prescriptivos. Durante el curso, el estudiante desarrolla habilidades para identificar situaciones problemáticas en las organizaciones susceptibles de ser mejoradas a través del uso de modelos de optimización. Semana a semana se presentan, de forma progresiva y a través de casos, las técnicas de modelado en optimización lineal que permiten tomar decisiones basadas en modelos prescriptivos. El curso desarrolla en el estudiante habilidades de implementación de los modelos en software especializado de optimización de acceso abierto y de uso cotidiano. Finalmente, el curso ilustra cómo los resultados de un modelo de optimización se pueden traducir y visualizar de forma convincente para que impacte la toma de decisiones en las organizaciones. Semanalmente, el estudiante aplicará lo aprendido en una práctica computacional basada en un caso de estudio. A través de videos, cuestionarios y lecturas complementarias, el estudiante se preparará para desarrollar la práctica computacional de la semana.

 

Este curso hace parte de lo que se denomina “analítica prescriptiva”, y tiene como objetivo apoyar directamente la toma de decisión con la utilización de herramientas que nos ayuden a responder a la pregunta de “¿qué se debe hacer?”. Las herramientas que aprenden los estudiantes le ayudarán a identificar propósitos, objetivos y alternativas para transformar un sistema organizacional apoyándose en la utilización de diferentes tipos de datos. Uno de los principales objetivos del curso es aprender a construir modelos sencillos de simulación computacional que potencian el desarrollo de una comprensión sistémica de situaciones problemáticas que queramos mejorar. Esta comprensión permitirá diseñar políticas sistémicas, es decir, cursos de acción que consideren la complejidad producida por las múltiples relaciones entre los elementos que componen un sistema organizacional, las relaciones no lineales, de realimentación y de acumulación, que están presentes en todas las organizaciones.  Al finalizar el curso, el estudiante estará en capacidad de:  

 

• Comprender los elementos del pensamiento sistémico y su articulación con el análisis de datos y la complejidad organizacional
•  Construir y evaluar modelos sistémicos de simulación
• Proponer cursos de acción mediante la identificación de puntos de alto impacto de transformación organizacional

 

Este curso se concentra en el desarrollo de modelos para representar sistemas dinámicos. El curso busca desarrollar en el estudiante los conceptos y habilidades fundamentales para simular un sistema complejo con el fin de comprender su funcionamiento y determinar soluciones numéricas a interacciones de fenómenos aleatorios de difícil análisis. Al finalizar el curso, el estudiante estará en capacidad de:  

 

• Identificar sistemas complejos que puedan ser modelados y mejorados a través de técnicas de simulación.  
• Formular rigurosamente un modelo de simulación a partir de un sistema dinámico y en gran proporción estocásticos, es decir, cuyos posibles estados dependen de fenómenos aleatorios. 
• Implementar un modelo de simulación utilizando herramientas computacionales. En particular, utilizar software como Excel, R y Python. 
• Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de simulación. 

 

 

Este curso se centra en modelos de aprendizaje no supervisado, donde no se cuenta con una medida de respuesta observada. Al no tener una variable de respuesta, no tenemos una medida que pueda “supervisar” el análisis. En otras palabras, no supervisado se refiere a que sólo se observan predictores, pero no una respuesta asociada. Así, este curso, complementa la secuencia de modelamiento matemático y Machine Learning, con aplicaciones donde no se cuenta con una variable de respuesta definida. Cubre temas de reducción de dimensión, clustering, procesamiento de lenguaje natural no supervisado, y análisis geográfico de puntos calientes, entre otros. Al finalizar el curso, el estudiante estará en capacidad de:  

 

• Reconocer las características, usos, ventajas y desventajas de los modelos de aprendizaje no supervisados. 
• Identificar situaciones pertinentes para el uso de modelos de aprendizaje no supervisado.  
• Crear e implementar algoritmos y técnicas de aprendizaje no supervisado apropiados, dependiendo de la disponibilidad y clase de datos. 
• Evaluar e interpretar los resultados de modelos de aprendizaje no supervisado.

 

Este curso permitirá desplegar una solución analítica en una plataforma informática, de tal manera que permita manejar el ciclo de vida de los datos y los modelos, así como visualizar los resultados en vivo y de forma dinámica. La plataforma a utilizar podrá ser local o remota y los datos pueden estar alojados en instalaciones externas a la infraestructura local. Al finalizar el curso, el estudiant estará en capacidad de:

 

• Desarrollar el ciclo de vida de datos
• Desarrollar el ciclo de vida de modelos
• Asegurar la replicabilidad y la reutilización de los modelos
• Producir resultados dinámicos y visualizaciones interactivas de los resultados

 

A través de este curso, el estudiante adquiere los conocimientos y habilidades necesarios para identificar un problema, administrar los procesos que implican la transformación de sus datos, administración de recursos y del riesgo, en entornos de negocio con el propósito de generar valor hacia el interior de la organización. Para esto, el estudiante identificará una necesidad que posea el potencial para ser desarrollado mediante una solución analítica y aplicará procesos de gestión pertinentes. Al finalizar el curso, el estudiante estará en capacidad de:  

 

• Identificar y plantear un problema de negocio o un área de oportunidad de mejora económica, de procesos, de calidad, de cumplimiento estándares, etc. dentro de la organización. 
• Traducir un problema de negocio en un problema de Analytics.  
• Desarrollar los procesos de Planificación de un proyecto de Analytics, involucrando los recursos, restricciones y riesgos involucrados.  
• Establecer la ruta general de desarrollo del proyecto acorde con las necesidades y requerimientos de un problema de Analytics específico.  

 

El propósito de este curso es implementar un prototipo funcional de solución para un proyecto de analítica de datos. Cada equipo de estudiantes elige un caso de estudio a partir de la oferta de la maestría MIAD, cuyo desarrollo inicia en el curso Gerencia de Proyectos de Analytics 1, en el cual se estructura el problema. Este curso se concentra en la construcción y evaluación de un prototipo de la solución analítica, con un foco especial sobre la implementación de modelos analíticos que respondan a las necesidades del caso de estudio, logrando así una experiencia de desarrollo de un proyecto aplicado de analítica de datos que integre los conocimientos y competencias adquiridas a lo largo del programa MIAD.  

En un entorno de intensa competencia, y con el surgimiento de nuevas tecnologías que facilitan la recolección y el acceso a grandes volúmenes de datos, las organizaciones enfrentan el reto de administrarlos adecuadamente, analizarlos y utilizarlos de manera efectiva al momento de tomar decisiones y ejecutar acciones para alcanzar ventajas competitivas en el mercado. Estas circunstancias explican el creciente interés en las organizaciones por el área conocida como analytics. Analytics se refiere al uso intensivo de datos, técnicas cuantitativas y modelos matemáticos para tomar decisiones en una compañía que conduzcan a la optimización de sus recursos, una mayor satisfacción de los clientes, una mayor rentabilidad o la disminución de los riesgos a los que está permanentemente expuesta. El área de mercadeo en las organizaciones ofrece enormes oportunidades para el desarrollo del campo de analytics: el presente curso le proporciona a la dirección de mercadeo herramientas computacionales efectivas, concebidas para orientar sus decisiones a nivel estratégico como también a nivel de la mezcla de mercadeo. Existe una enorme evidencia que da cuenta de los resultados superiores alcanzados por una compañía cuando sus decisiones de mercadeo se sustentan en el uso de modelos analíticos.

 

 

Vivimos en una sociedad que está conectada. Día a día los individuos y organizaciones interactúan generando estructuras y dinámicas que tienen un efecto en su desempeño. En el mundo interconectado se vuelve imprescindible contar con herramientas que permitan diseñar, diagnosticar, mejorar y evaluar los sistemas sociales y organizacionales que emergen constantemente. El análisis de redes se presenta como una herramienta idónea para dicho propósito. Por medio de teoría de grafos, métodos estadísticos y algoritmos computacionales, el análisis de redes permite explicar dinámicas y patrones a partir de las conexiones entre los agentes de un sistema. A lo largo de este curso, los estudiantes adquieren habilidades y conocimientos en análisis de redes, que les permitirán diagnosticar, intervenir y evaluar sistemas sociales y organizacionales en distintos contextos. Adicionalmente, aprenderán métodos de modelación y simulación computacional que les permitirán inferir patrones, explicar e incluso predecir tendencias y comportamientos colectivos. Al finalizar el curso el estudiante estará en capacidad de:

• Reconocer las características de distintos métodos de recolección de datos y modelos de análisis de redes sociales
• Implementar modelos de análisis de redes sociales para evaluar las propiedades estructurales de las redes y predecir su comportamiento en el tiempo
• Simular procesos de contagio en las redes sociales
• Interpretar, evaluar y visualizar resultados de los análisis de redes sociales

 

Financial Analytics es un curso teórico-práctico, introductorio y electivo de la Maestría en Inteligencia Analítica de Datos (MIAD) y en el que se abordan las siguientes temáticas: (1) Importancia del Análisis de Datos en la Toma de Decisiones Financieras; (2) Análisis y Diagnóstico Financiero; (3) Evaluación Financiera de Proyectos; (4) Planeación y Modelamiento Financiero; (5) Modelos de Predicción y de Pronóstico de Precios; (6) Teoría del Portafolio y Blockchain; y (7) Monedas Digitales y FinTech. Asimismo, dada la ubicación del curso dentro del currículo de la maestría, se espera que los estudiantes que decidan tomarlo cuenten con conocimientos básicos en probabilidad, estadística y modelos de regresión, y se encuentren familiarizados con los lenguajes de programación R y/o Python.

 

El curso de deep learning enseña a los estudiantes los conceptos e implementaciones fundamentales de las redes neuronales y modelos de aprendizaje profundo en general. En el curso se comprenderán los fundamentos de las redes neuronales como modelos predictivos tanto para regresión como clasificación. Además, se desarrollarán las habilidades necesarias para implementar los algoritmos de estimación de parámetros a través del método de gradiente descendiente y sus derivaciones, incluyendo métodos de regularización (como penalización, dropout, etc.), estrategias de aceleración (momentum, estimación de momento adaptativos, etc.), y mecanismos de calibración de las redes tanto profundas como poco profundas.

En particular, se tiene como propósito que el estudiante tenga la capacidad de implementar modelos de aprendizaje profundo apropiados en contextos reales, considerando la necesidad del contexto, la disponibilidad y calidad de los datos, y los recursos computacionales disponibles. Así mismo, se espera que sepa interpretar y comunicar resultados de estos modelos e identificar oportunidades de aplicación en las organizaciones.

 

Siendo los datos series de tiempo un tipo de recurso altamente valioso para las organizaciones, este curso se enfoca en brindar algunas metodologías para el pronóstico de series de tiempo, proporcionando teoría y práctica para cada uno de los métodos. Esto se lleva a cabo primeramente estableciendo un proceso metodológico que responde a una problemática planteada tal como ¿qué quiero pronosticar y qué resuelve?, también abordando un breve repaso de los temas básicos estadísticos que sustentan los métodos estudiados. El estudiante entenderá la importancia de la transformación de los datos tipos series de tiempo a estructuras para el aprendizaje supervisado como parte esencial en la tarea de pronóstico de datos ordenandos en el tiempo. En los primeros métodos, se abordarán los modelos univariados tipodata-driven tales como redes recurrentes, modelos de ensamble y otros de espectro singular. Así también modelos tipo model based, tales como los modelos de splines y los tradicionales de regresión múltiple. En la segunda parte se estudiarán los modelos multivariados típicos tales como los vectores autorregresivos y los modelos tipo autorregresivos de retrasos distribuidos, entre otros. Entenderemos sus ventajas y limitantes en cada uno de éstos. Este curso está dirigido a personas que requieren como parte de su formación profesional un curso electivo que les proporcione un entrenamiento de los métodos de pronóstico con series de tiempo, a aquellos quienes también requieren recibir una preparación de métodos recientes en el campo de pronósticos. En este curso se trabajará con lenguaje Python y R, proporcionando tutoriales, exámenes de entrenamiento formativos y en cada módulo, cuestionarios sumativos.