MIIA - Maestría en Inteligencia Analítica para la Toma de Decisiones

Durante el desarrollo de este curso los estudiantes conformarán grupos de trabajo con la finalidad de identificar, formular y analizar una problemática de una organización como parte de su Trabajo Práctico de Grado de la maestría. Los objetivos principales del curso son:

-Formular un proyecto de inteligencia analítica a partir de una problemática real de una organización o empresa.
-Integrar teorías, modelos y herramientas para una adecuada conceptualización y análisis del problema práctico.
-Fortalecer las habilidades de comunicación, trabajo en equipo y gerencia de proyectos.
-Desarrollar habilidades transversales que le permitan apoyar la toma de decisiones estratégicas en las organizaciones.

Durante el desarrollo de este curso los estudiantes, en grupos de trabajo, desarrollan y presentan su proyecto de grado.

En el curso se presentan diferentes técnicas y modelos de análisis estadístico desde una perspectiva conceptual y práctica, haciendo énfasis en el uso de herramientas computacionales para el análisis de datos. El curso tiene una intensidad total de 45 horas distribuidas en 15 sesiones de 3 horas, y está estructurado en cuatro temas: 

1. Análisis Exploratorio de Datos e Inferencia Estadística.

2. Análisis de Varianza (ANOVA).

3. Regresión Lineal.

4. Regresión Logística y Regresión de Poisson.

Cada una de las sesiones está dedicada a la exposición de los principales temas que se cubren en el curso, así como al desarrollo de ejercicios y casos ilustrativos. Durante las sesiones se desarrollarán talleres y actividades en computador diseñadas para favorecer el proceso de aprendizaje. La participación de los estudiantes en las sesiones de clase, así como su trabajo permanente en la revisión de los conceptos teóricos y la solución de ejercicios y talleres, constituyen una condición indispensable para el desarrollo exitoso del curso. 

En el curso se utilizará software de código abierto siguiendo las tendencias del mercado y el rápido avance de las versiones desarrolladas en comunidades abiertas. Principalmente se utilizará R y en algunos casos se expondrán ejemplos de metodologías en otros lenguajes de programación, para incentivar la profundización autónoma de los estudiantes en su aplicación.

Este curso busca desarrollar habilidades para usar lenguajes de programación y herramientas de software contemporáneos como un medio para desarrollar analítica de datos a la medida. En particular, el curso explora las fases de extracción y manipulación de datos, así como el análisis descriptivo, predictivo y prescriptivo alrededor de casos y preguntas de negocio. Se cubre el uso de Python y sus paquetes más populares para análisis estadístico, visualización y modelamiento de datos, simulación y optimización, pero no se profundiza en el trasfondo de estas técnicas. 

Se adopta Python por ser un lenguaje de propósito general, con alto nivel de abstracción y facilidad sintáctica para no expertos en programación. Las habilidades desarrolladas en el curso son extensibles y aplicables a cualquier lenguaje de programación. Sin embargo, se presentan también nociones básicas del lenguaje de programación R por ser otra opción común en análisis de datos. Más que ser un curso de programación, este es un espacio para perder el miedo a interactuar con computadores y programación, ofreciendo grandes posibilidades en el contexto de Analytics. 

Objetivos:

- Leer, manipular, limpiar y escribir datos desde Python (y R). - Manejar adecuadamente estructuras de datos, estructuras de control y funciones en un lenguaje de programación (Python).

- Utilizar funciones existentes y desarrollar funciones propias que sean útiles para la realización de las principales actividades de análisis de datos.

- Utilizar herramientas gráficas adecuadas para explorar la información contenida en los datos y presentar información y resultados de manera eficaz.

- Realizar análisis descriptivos, predictivos y prescriptivos básicos valiéndose de paquetes existentes y funciones propias.

- Aprender de forma autónoma y eficaz funcionalidades adicionales de los lenguajes tratados y aprender de forma autónoma nuevos lenguajes (e.g., Julia, Kotlin, Java, C++) y herramientas (e.g., TensorFlow, AWS) de acuerdo a las necesidades de cada proyecto/problema. 

El módulo presenta técnicas de modelado en optimización lineal y entera. De forma complementaria, el curso busca desarrollar en el estudiante habilidades de implementación de los modelos en software especializado de optimización (e.g., Xpress-MP) así como en herramientas de uso cotidiano como Excel. 

Objetivos generales

1. Identificar procesos susceptibles de ser mejorados a través de las técnicas de optimización.

2. Formular rigurosamente un problema de optimización a partir de una problemática real.

3. Implementar y resolver un modelo de optimización utilizando herramientas computacionales. En particular, el estudiante estará en capacidad de utilizar software como Xpress-MP y Excel (Solver/OpenSolver). 4. Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de optimización.

 

Este curso presenta conceptos fundamentales para la extracción de información por medio de modelos y algoritmos automatizados ejecutados en bases de datos. El curso se enfoca en el estudio de procedimientos usados en Minería de Datos y su correcta aplicación, incluyendo sus ventajas y limitaciones. Estos procedimientos buscan encontrar relaciones y patrones en los datos que permitan generalizar un comportamiento aleatorio o describir situaciones locales de interés en los datos registrados. Se hará ´énfasis en los conceptos que permitan implementar, seleccionar y evaluar algoritmos o modelos adecuados. Muchos de estos conceptos cubren temas de estadística y de aprendizaje de máquinas (machine learning). En general, el curso se fundamenta en tres tareas generales de la Minería de Datos: análisis predictivo (basado en las herramientas de machine learning para clasificación y regresión), análisis descriptivo (basado en aprendizaje no supervisado) y descubrimiento de patrones locales (comportamiento atípico, asociaciones, etc). Los objetivos principales del curso son:

-Comprender los conceptos fundamentales de la Minería de Datos: buen uso de los datos, dimensión y complejidad del problema, evaluación y selección de mejores modelos y algoritmos.

-Comprender el funcionamiento de cada técnica estudiada en el curso, incluyendo sus supuestos y limitaciones.

-Aprender a utilizar herramientas computacionales que permitan la correcta aplicación de los métodos estudiados.

-Desarrollar habilidades para el análisis, la comprensión y la comunicación de resultados obtenidos.

.

Este curso presenta conceptos y métodos de análisis para estructuras de datos que requieran modelos especiales.

Los objetivos primarios de curso son:
≈ Comprender los conceptos fundamentales de los modelos y métodos estudiados
≈ Comprender el funcionamiento de cada técnica vista en el curso, incluyendo sus supuestos y limitaciones.
≈ Aprender a utilizar herramientas computacionales que permitan la correcta aplicación de los métodos vistos
≈ Desarrollar habilidades para el análisis, comprensión y comunicación de resultados obtenidos

El curso busca presentar metodologías, modelos y herramientas para el análisis y solución de problemas de decisión bajo incertidumbre, haciendo énfasis en la importancia de utilizar metodologías estructuradas y herramientas apropiadas como soporte para la toma racional de decisiones en las organizaciones. Así mismo, en el curso se estudiará la evaluación económica de proyectos y el análisis de riesgo asociado al comportamiento económico de un proyecto. Se presentan y discuten casos y problemas de situaciones reales, que puedan ser estudiados y solucionados utilizando las herramientas de modelaje y análisis vistas en el curso.

Este curso provee una introducción a Deep Learning. Los estudiantes que tomen el curso aprenderán las teorías, los modelos, el progreso deDeep Learning y obtendrán experiencia en el  entrenamiento de redes neuronales. El curso empieza con las bases de aprendizaje computacional  (Machine Learning ) y algunos modelos clásicos, seguido de técnicas de optimización para entrenar   redes neuronales profundas (Deep Neural Networks ), implementación de aprendizaje profundo a   gran escala (large scale deep learning ), aprendizaje profundo de multitareas (multi-task deep  learning ), transferencia de aprendizaje profundo (transferred deep learning ), redes neuronales   recurrentes, aplicaciones de aprendizaje profundo en sistemas de recomendación y análisis de  texto, y entendimiento del porqué Deep Learning funciona. Se propone un seguimiento a través   del desarrollo de talleres prácticos de programación, quices y un proyecto de curso. 

Objetivos:

- Comprender los conceptos fundamentales de los modelos y métodos estudiados. - Comprender el funcionamiento de cada técnica vista en el curso, incluyendo sus supuestos y limitaciones.

- Aprender a utilizar herramientas computacionales que permitan una aplicación adecuada y eficiente de los métodos vistos en clase.

- Implementar estrategias para el desarrollo eficiente de modelos de aprendizaje computacional (profundo) con grandes volúmenes de datos. - Desarrollar habilidades para el análisis de problemas de datos aplicados, y la comprensión y comunicación de los resultados obtenidos.

Objetivo General:

A diferencia de los cursos tradicionales en mercadeo, que generalmente adoptan una perspectiva conceptual, empírica y cualitativa, el presente curso está diseñado para aportar al participante la instrucción requerida para desempeñarse adecuadamente en ambientes intensivos en tecnologías de información. 
 
El curso provee el entrenamiento básico que permite trasladar conceptos en decisiones y acciones de mercadeo efectivas, por medio de técnicas 
cuantitativas y modelos computacionales. No se pretende en este curso hacer del estudiante un analista o un modelador experto. Más se pretende convertirlo en un consumidor inteligente de los resultados generados por terceros. 

Objetivo Específicos:

1. Mostrar por qué y cómo el enfoque del marketing analytics puede mejorar significativamente el proceso de toma de decisiones en mercadeo.

2. Facilitar la comprensión de los modelos de decisión más exitosos en el campo del mercadeo, e ilustrar sus aplicaciones con ejemplos.

3. Aumentar las destrezas en la formulación analítica de los procesos de decisión en mercadeo y en la interpretación de sus resultados. 
 
 

New Trends in Analytics ofrece un conjunto de conceptos, metodologías y herramientas emergentes que permiten la extracción y procesamiento de grandes volumen de datos, con la finalidad de que el analista pueda obtener información integrada para el entendimiento y toma de decisiones de distintos negocios. Para tal fin, el curso está compuesto de tres módulos. El primer módulo es de Text Mining, en donde se enseñan técnicas de análisis de datos no-estructurados (texto). El segundo módulo es Big Data, este módulo presenta técnicas de análisis de grandes cantidades de datos poniendo en práctica el almacenamiento y procesamiento de datos. Finalmente el último módulo es de Social Networks, el cual está diseñado para entender cómo el estudio de las interacciones entre los individuos permite explicar y predecir comportamientos, para lo cual se usarán las redes sociales como herramienta para estudiar sociedades en distintos contextos.

Este curso desarrollar habilidades para la creación y utilización de herramientas de analítica financiera para soportar metodologías para la toma de decisiones en el sector financiero. El curso contempla dos grandes bloques, los cuales son econometría financiera y modelos financieros analíticos. La econometría financiera es una integración de las finanzas, economía y estadísticas. El curso incluye modelos como el caso de los modelos de riesgo de crédito que sin duda son uno de los temas más importantes en la gestión de riesgos financieros; y modelos de fraude, los cual tiene un impacto significado en la económica global.

Este curso está diseñado para entender cómo el estudio de las interacciones entre los individuos permite explicar comportamientos colectivos e incluso a veces predecirlos. Para ello, se usa el análisis de redes como herramienta para estudiar sociedades en distintos contextos.

Las ciencias de la complejidad han desarrollado herramientas eficientes para explicar y modelar los fenómenos que no son comprensibles si se examina el individuo por sí solo. En este curso se estudia una herramienta en específico: el análisis de redes, que se ha convertido incluso para muchos en una ciencia, ya que ha permitido encontrar causalidades en los fenómenos que emergen en la sociedad a partir de reglas individuales simples.

La metodología de enseñanza consiste en la combinación de lecturas magistrales, demostraciones a través de ejemplos, casos de estudio y discusiones. Se desarrollan actividades en forma de talleres y prácticas, motivando a los estudiantes a participar en clase. Con este fin, se propone un ambiente amigable y estimulante en el salón de clase, valorando el razonamiento crítico y aplicado junto con el trabajo en grupo, sobre la simple memorización de fórmulas o procedimientos. Al final del curso los estudiantes presentarán un proyecto donde profundizarán en las técnicas vistas en clase, razonando sobre un problema aplicado de alta relevancia, lo cual permita el desarrollo de sus aptitudes estadístico/computacionales, pensamiento crítico y trabajo en equipo.