DATA SCIENCE

FUNDAMENTALS

PEA
Programa de
Especialización
Analítica
 Perfil Beneficios Competencias
principios y fundamentos Profesionales sin Casos Reales: Enfoque El participante será capaz

de data science experiencia previa en el

desarrollo de modelos de
Machine Learning o que
en la solución de casos en
escenarios que simulan la
problemática actual.
de formular un problema de
negocio mediante el uso del
análisis de datos.
inicien su carrera en este Plana Docente: con los Capaz de utilizar los
campo. líderes de la Industria a nivel métodos de Machine
Profesionales que se nacional. Learning para identificar y
desarrollan en áreas de predecir tendencias.
Business Intelligence, TI, Laboratorio especializado: Tendrá dominio de las
Marketing, Planificación, Podrás desarrollar el herramientas más utilizadas
El programa de Especialización en
Analytics y áreas pensamiento analítico. de Data Science: R y
Analítica: Data Science Fundamentals
relacionadas al análisis de Python.
desarrolla los conceptos básicos de
datos. Bolsa de Trabajo DMC:
Machine Learning. Se abordan los
Profesionales que deseen Acceso a oportunidades
principales métodos de análisis de datos
incursionar en el mundo de laborales referentes a la
desde su entendimiento más básico.
Big Data y Data Science analítica.
Se desarrollan conceptos estadísticos,
como oportunidad en la
inferencia estadística, muestreo, métodos
línea de carrera.
supervisados y no supervisados de
Profesionales deseosos
machine learning.
de aprender la ciencia del
Orientado a profesionales que
análisis de datos.
quieran cambiar su perfil profesional
involucrándose en Data Science. Este es
un programa de inmersión para quienes
no han realizado previamente modelos
predictivos, sin embargo, conocen
herramientas de explotación de base de
datos y analítica.
El PEA Data Science Fundamentals
se diferencia por la experiencia de sus
docentes los cuales han desarrollado
casos reales de Data Science en sectores
como banca, telcos, entre otros.
PEA - Data Science Fundamentals

Sumillas: 4. Statistical Essentials

(20 horas académicas)

Se desarrollan las técnicas básicas de análisis

1.
estadístico. Se aborda desde el análisis descriptivo de la
R Essentials información, análisis inferencial y técnicas avanzadas de
(12 horas académicas) análisis y presentación de datos

Data Science
Introducción a las herramientas más usadas en el rubro Herramienta: R
de Data Science. R como lenguaje de programación con Syllabus:
mayor alcance en el campo de Data Science. • Estadística Descriptiva.
• Estadística Inferencial.

Fundamentals
Herramienta: R • Muestreo y Diseño de Experimentos.
Syllabus: • Intervalos de confianza.
• Introducción a R.
• Uso de las principales librerías.
• Manejo de datos en R.
• Fundamentos, programación en R.
5. Supervised Methods
(24 horas académicas)

Se desarrolla los métodos supervisados de Machine

Learning: Algoritmos de Clasificación como Árboles de
Programa Horas
Académicas:
Tiempo
de Duración:
2. Python Essentials Decisión, Regresión Logística, KNN, Redes Neuronales
entre otras.
(12 horas académicas)
Curricular 104 04 Meses
Se aborda el lenguaje de programación Python para el
Herramienta: Python y R
Syllabus:
análisis de datos y elaboración de modelos predictivos.
• Regresión lineal, regresión logística.
Herramienta: Python • Árboles de decisión.
Syllabus: • KNN.
• Introducción a Python.
Workshops Projects • Uso de las principales librerías.
• Random Forest.
• XG Boost, Adaboost.
• Manejo de datos.
(92 horas Académicas) (12 horas Académicas) • Light GBM.
• Fundamentos de programación en Python.
• Medición y performance de modelos.
Cursos hands-on para el desarrollo Los participantes estarán • Optimización de modelos.
de habilidades analíticas, técnicas acompañados por un tutor durante
con herramientas especializadas todo el desarrollo del PEA, además
aplicadas al Big Data. podrás compartir experiencias
con personas de diferente perfil
3. Machine Learning Introduction
6. Unsupervised Methods
académico y laboral. (12 horas académicas)
(12 horas académicas)
Revisión de las principales técnicas de Machine
Learning. Se revisa la metodología y ejemplos de Casos Son técnicas que no necesitan un target predefinido.
aplicados de Data Science. Se desarrollan técnicas de clustering, componentes
Herramienta: Excel y R principales y técnicas de asociación.
Syllabus: Herramienta: Python y R
R Essentials Data Science Project • Introducción a Big Data y su relación con Syllabus:
Data Science. • Métodos de Segmentación K-means.
Python Essentials • Conceptos de Machine Learning y Data Science. • Análisis de Componentes Principales.
• Tipos de aprendizaje automático. • Análisis Asociativo.
Machine Learning Introduction • Metodología CRISP DM.
• Casos de uso de Machine Learning en diversos
Statistical Essentials rubros. 7. Data Science Project
(12 horas académicas)
Supervised Methods Se desarrollará un modelo predictivo en un escenario con
aplicación real. Para esto se utiliza data de empresas del
Unsupervised Methods mercado local.
Herramienta: Python y R
Syllabus:
• Definición del Problema.
• Definición de los Datos.
• Desarrollo del Modelo predictivo.
• Validación.
• Presentación Final.
 Docente DMC
MSc. Jimmy Salazar
Especialista de
Inteligencia Analítica en
BBVA.
Experiencia en mas de 6 años trabajando
en áreas analíticas, desempeñándome en
herramientas de data mining y proyectos en
plataforma Big data. Actualmente trabajo en
el área de Inteligencia Analítica en el BBVA
Continental, responsable en el desarrollo
de modelos comercial, calibración y
seguimiento. Msc Data Scientist Practitioner.
UNIR - Universidad Internacional de la Rioja
(España). Especialización Aplicación de
instrumentos de Bloomberg para análisis de
mercado. ESAN (Perú). Ingeniero Estadístico
UNI - Universidad Nacional de Ingeniería
(Perú)
Ing. Cesar Valencia
Analista de Predictivos en
Entel.
Soy un egresado de Ingeniería de Sistemas
de la Universidad Nacional de Ingeniería
(Quinto Superior). Comunicativo, dinámico,
responsable, con disposición de aprendizaje
y poder asumir retos orientado a resultados,
mediante el trabajo en equipo y bajo
situaciones de presión. Con interés en el
Análisis de Datos (Analytics), Sistemas de
Información, Inteligencia de Negocios (BI),
Inversiones, Minería de Datos, Machine
Learning y Big Data.
MSc. Vilma Romero
Docente y
Co-organizadora en
R-Ladies Lima.
MSc. en Estadística por la Universidad
de Lancaster (Reino Unido) e Ingeniera
Estadística de la Universidad Nacional de
Ingeniería (UNI). Actualmente, es Docente
en la Escuela Profesional de Ingeniería
Estadística de la UNI, Docente de Minería de
Datos en la Universidad ESAN y Docente en
el Programa de Especialización en Business
Intelligence & Business Analytics en
SEUPROS, FIEECS-UNI. Además, es Co-
Organizadora del capítulo “R-Ladies Lima”,
parte de un movimiento global que promueve
la diversidad de género en la comunidad R.
Realizó dos proyectos de investigación con
el Instituto Francés de Investigación para el
Desarrollo (IRD) e IMARPE, y contribuyó al
paquete R “ImarpeTools”.

Nota: Todos los profesores mencionados están

relacionados al programa de especialización. No
necesariamente podrían desarrollar una clase.

Docente DMC
MBA Jonny Chambi
CEO en DMC Perú.
Jefe de CVM en
Entel Perú.
MBA de la UPC. Master Europeo en Dirección
de Marketing y Gestión Comercial de EOI
España. Profesional de Ingeniería Estadística
de la Universidad Nacional de Ingeniería. Con
cerca de 10 años de experiencia en proyectos
de Business Intelligence, CRM y Data
Mining. Se ha desmpeñado en diferentes
empresas de Banca y Telecomunicaciones
como Telefónica, Banco Interbank, BBVA
Banco Continental y JNE. Actualmente
como Director Ejecutivo de DMC. Empresa
dedicada a la capacitación en Big Data y
Business Analytics.
Ing. David Allende
Jefe Data Science en
Interbank.
Profesional con experiencia en modelado
predictivo, segmentación de clientes, minería
de datos y big data. Experiencia en áreas de
análisis de negocios resolviendo problemas
comerciales de banca, telecomunicaciones,
venta minorista y gobierno, utilizando análisis
avanzados. Minería de datos y entrenador
estadístico para ejecutivos. Especialista en
análisis de negocios e ingeniería estadística.
Ing. Dennis Barreda
Product Leader/Big Data
Engineer en BCP
Bachiller en Ciencias de la Computación,
con fuertes habilidades de programación.
Alta adaptabilidad a diferentes idiomas,
conocimientos de programación en C++,
C# .Net, Visual Basic .Net, R y actualmente
en Python. Pasión por los datos, modelos
predictivos y sobre el estado del arte del
aprendizaje automático.

CONTAMOS CON UNA PLANA DOCENTE COMPUESTA POR LÍDERES DEL

SECTOR ESPECIALIZADOS EN HERRAMIENTAS ANALÍTICAS Y TÉCNICAS
AVANZADAS. COMPROMETIDOS CON EL DESARROLLO PROFESIONAL DEL
ALUMNO.
CERTIFICACIÓN
• Certificación de Data Science Executive a
nombre de DMC.

DATOS IMPORTANTES
Duración: 4 meses
Lugar: Laboratorio DMC. Jr. Río de la Plata 167. Of. 203. San Isidro.

Requisitos:
• Sin experiencia en el desarrollo de modelos predictivos. Con gran interés para el
aprendizaje de técnicas de machine learning. Lo más importante es la experiencia
previa del participante en áreas de Business Intelligence, Planeamiento, CRM, Riesgos,
Marketing y áreas relacionadas al tratamiento y análisis de datos.
Proceso de admisión: Enviar CV a capacitacion@dmc.pe

INFORMES
Teléfono: (511) 253- 5066
Celular: 975491764
Correo: capacitacion@dmc.pe
Web: www.dmc.pe
Dirección: Jr. Río de la Plata 167. Of. 203 - San Isidro.