DATA SCIENCE

FUNDAMENTALS

PEA
Programa
Programa dede
Especialización
Especialización
Analítica
Analítica
 Perfil Beneficios Competencias
principios y fundamentos Ingenieros Estadísticos e Casos reales: enfoque en El participante será capaz

de data science Informáticos, Matemáticos,

Economistas, Informáticos,
Ingenieros de Sistemas,
la solución de casos en
escenarios que simulan la
problemática actual.
de analizar volúmenes
gigantes de datos
para generar insights
Administradores, carreras accionables.
afines. Plana docente: con los Podrás desarrollar modelos
líderes de la Industria a nivel predictivos analizando
nacional. data estructurada y no
estructurada.
Laboratorio especializado:
El programa desarrolla los podrás desarrollar el
principios de las técnicas de pensamiento analítico.
Machine Learning y análisis de Bolsa de trabajo DMC:
grandes cantidades de datos. Se acceso a oportunidades
laborales referentes a la
usa R y Python como principales analítica.
herramientas.
Se abordan temas de análisis
de datos estructurados / no
estructurados con fundamentos
de aprendizaje supervisado y/o
no supervisado. Se engloba el
aprendizaje en un proyecto con
aplicación real.
PEA - Data Science Fundamentals

Sumillas: 5. Machine Learning Introduction

(12 horas académicas)

Se explora desde un punto de vista aplicativo las

1. Taller de Socialización
diferentes tareas que se pueden realizar en Ciencia de
Datos en el entorno Big Data. Se abordan casos reales y
(04 horas académicas) su aplicación práctica.
Herramienta: R y Python

Data Science
Se busca generar cohesión entre los participantes para la
realización de trabajo en equipo.
Syllabus:
• Introducción a Machine Learning, conceptos básicos.
• Tipos de aprendizaje (Machine Learning, Statistical

Fundamentals
Learning).

2. R Essentials
• Otros tipos de aprendizaje (supervisado, no
supervisado, por refuerzo)
(12 horas académicas) • Casos de éxito de Machine Learning, Machine Learning
Este curso permite ingresar al mundo de R, entender sus on premise / in cloud.
funcionalidades principales para conocer el mundo de la
ciencia de los datos.
Herramienta: R 6. Supervised Methods
Syllabus: (24 horas académicas)

Programa Horas
académicas:
Tiempo
de duración:
• Instalación de herramientas (local + cloud). Nos permite explorar nuevas técnicas de análisis
• Introducción a R / R studio ¿cómo funcionan? predictivo para entender y predecir comportamientos
Curricular 104 04 Meses
• Importar datos de diferentes formatos a R. futuros.
• Programación práctica en R. Herramienta: Python y R
• Gráficos con R. Syllabus:
• Regresión lineal simple, múltiple y logística, KNN.
• Naïve Bayes.
Workshops Projects
3.
• Decisión tres.
Python Essentials • Random Forest.
(88 horas académicas) (16 horas académicas) (12 horas académicas) • SVM.
Cursos hands-on para el desarrollo Los participantes estarán • Introducción a las redes neuronales y ensamblado
Este curso permite ingresar al mundo de Python, entender
de habilidades analíticas, técnicas acompañados por un tutor durante de modelos.
sus funcionalidades principales para entender el mundo
con herramientas especializadas todo el desarrollo del PEA, además • Comparación entre modelos.
de la ciencia de los datos.
aplicadas al Big Data. podrás compartir experiencias
con personas de diferente perfil Herramienta: Python
académico y laboral. Syllabus:
• Instalación de herramientas (local + cloud). 7. Unsupervised Methods
• Estructuras y elementos del lenguaje. (12 horas académicas)
• Principios de programación en Python Nos permite explorar técnicas de clustering y reducción de
(pensando en objetos). dimensiones para encontrar nuevas variables influyentes
• Introducción a librerías numpy, pandas y matplotlib. y mejoradas.
Taller de Socialización Data Science Project Herramienta: Python y R
Syllabus:

4.
• K means.
R Essentials Statistical Essentials • K modes.
(12 horas académicas) • Expectation maximization.
Python Essentials • DB Scan.
Este curso permite entender los principios y • Mclust.
Statistical Essentials fundamentos de los conceptos estadísticos aplicados en

8.
la Ciencia de Datos.
Herramienta: R y Python Data Science Project
Machine Learning Introduction (16 horas académicas)
Syllabus:
• Análisis estadístico exploratorio. Para implementar soluciones de información en la
Unsupervised Methods • Medidas de tendencia central. organización se necesita un marco de trabajo que lo
• Medidas de dispersión, medidas de posición. haga posible. El curso es un taller de metodologías ágiles
Supervised Methods • Inferencia estadística usando SCRUM enfocado en proyectos de inteligencia de
• Métodos de muestreo. negocios.
Herramienta: Python y R
Syllabus:
• Taller vivencial
 Docente DMC
MSc. Jimmy Salazar
Especialista de
Inteligencia Analítica en
BBVA.
Ingeniero estadístico titulado, con más de
6 años de experiencia trabajando en áreas
analíticas y muy involucrado al uso de
herramientas de Machine Learning, Big Data
y los lenguajes de programación Python y
Scala, orientado a trabajar bajo la plataforma
Big Data propia del Corporativo (DATIO).
Actualmente es Scrum Master en el BBVA
Continental, responsable del proyecto Big
Data que consiste en desarrollar y automatizar
todos los procesos de modelos analíticos y
campañas dentro de nuestra plataforma.
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.
Mg. Jesús Salinas
Profesor Principal en
Universidad Nacional
Agraria La Molina
Ingeniero Estadístico de la Universidad
Nacional Agraria La Molina y Magister en
Ingeniería Industrial, mención en Gestión
Industrial de la Universidad Nacional
Mayor de San Marcos. Ha sido director del
departamento académico de Estadística
e Informática de la Universidad Nacional
Agraria La Molina. Actualmente se
desempeña como profesor principal en el
departamento académico de Estadística
e Informática y docente en la maestría de
Estadística Aplicada de la UNALM. Además,
docente en la maestría en Ciencia de los
Datos de la Universidad Ricardo Palma. Sus
áreas de interés son el análisis multivariado
y el reconocimiento estadístico de patrones.

Docente DMC
MBA Jonny Chambi
Co founder & CEO,
DMC Perú. Subgerente
de Analytics en Banco
Falabella 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.
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.
Nota: Todos los profesores mencionados están
relacionados al programa de especialización. No
necesariamente podrían desarrollar una clase.
André Chávez
Senior Data Scientist en
Interbank.
Candidato a Magister mi maestría en
Data Science Estadístico de la UNMSM
perteneciente al quinto superior en grado
académico, , el área que me apasiona, en la
universidad Ricardo Palma con pasantías en
la Universidad ITAM de México y la Pontificia
Universidad Javeriana de Colombia. Co-
fundador de San Marcos Data Science
Community, comunidad dedicada a promover
la investigación de los estudiantes de la
UNMSM en temas como Data Science, Big
Data, Machine Learning, Data Mining, etc.

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:
• Conocimientos básicos en conceptos estadísticos, uso de R y/o Python.
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.