MIID - Maestría en Inteligencia Analítica de Datos

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

(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 se busca que los estudiantes se acerquen a diversas formas de narrar a partir de datos sus ideas de investigación y negocio a diferentes públicos. Aplican conocimientos básicos de análisis y modelado de datos enfocados a la visualización, haciendo énfasis en brindar comunicación persuasiva a las audiencias.

El objetivo de este curso es introducir conceptos y técnicas básicas en Machine Learning para resolver problemas de analítica. Para ello, se presentan los conceptos básicos de la teoría de aprendizaje estadístico (statistical learning) y a través de casos reales se aplican técnicas básicas de Machine Learning para dar soporte a la toma de decisiones. Al finalizar el curso los estudiantes habrán avanzado en sus conocimientos para formular y programar modelos matemáticos descriptivos, predictivos, y prescriptivos para la toma de decisiones, así como extraer, transformar y cargar datos de fuentes estructuradas y no estructuradas con tecnologías para el manejo de grandes volúmenes de datos y cloud computing.

Este curso presenta una introducción a conceptos y técnicas fundamentales de machine learning y procesamiento del lenguaje natural (NLP) 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”, 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 aprenderás 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 te 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 estarás 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 estarás en capacidad de:  

1. Identificar sistemas complejos que puedan ser modelados y mejorados a través de técnicas de simulación.  

1. 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. 

1. Implementar un modelo de simulación utilizando herramientas computacionales. En particular, el estudiante estará en capacidad de utilizar software como Excel, R y Python. 

1. Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de simulación. 

El curso es el último en la secuencia de Machine Learning. Se centra en modelos de aprendizaje no supervisado. Estos modelos a diferencia de los vistos en aprendizaje supervisado no cuentan 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 solo 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 estarás 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.

El curso de despliegue de soluciones analíticas 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 estarás 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, adquirirás 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, identificarás una necesidad que posea el potencial para ser desarrollado mediante una solución analítica y aplicarás procesos de gestión pertinentes. 

Al finalizar el curso estarás 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.