Está en la página 1de 9

PROGRAMA ONLINE DE MACHINE LEARNING

1) Descripción del programa


Se dice que los datos son el petróleo del siglo XXI y el Machine Learning es la nueva herramienta
de los directivos de empresas en todos los sectores para tomar las mejores decisiones basadas
en información a partir de esos datos.
Con este programa online de Machine Learning, los participantes aprenderán el proceso en
cuatro pasos del Machine Learning que lleva desde el análisis de los datos hasta la evaluación de
la efectividad de las decisiones tomadas con base a dichos datos.
Al finalizar el programa los participantes tendrán una mejor comprensión de cómo las
herramientas y técnicas de Machine Learning contribuyen a una más eficiente toma de decisiones
en muy distintos entornos.

2) Objetivos
Este programa está diseñado para que los participantes profundicen en Machine Learning, desde
la comprensión de los datos que nos rodean hasta la toma de decisiones eficaces.
- Entender y dominar las cuatro etapas de Machine Learning: análisis de los datos,
modelos de predicción, toma de decisiones e inferencia causal.
- Aprender las características básicas de los conjuntos de datos y familiarizarse con el
manejo de herramientas estadísticas eficaces para identificarlos y clasificarlos.
- Conocer diversas técnicas para la realización de modelos de predicción basadas en el
concepto de regresión lineal. Llevar estas técnicas al entorno emergente de las redes
neuronales para establecer relaciones complejas y patrones en los conjuntos de
datos.
- Aprender a analizar el entorno en el que aplicar las mejores técnicas y herramientas
de toma de decisión.
- Aplicar y evaluar la efectividad de los modelos de decisión utilizados, testando las
hipótesis de los mismos y los outputs obtenidos para inferir conclusiones relevantes.

3) Destinatarios
El programa online de Machine Learning, de los datos a la toma de decisiones, ha sido
desarrollado para todos aquellos profesionales que quieran entender cómo aplicar Machine
Learning en su día a día y en la gestión de equipos:
- Profesionales técnicos con responsabilidad que quieren aprovechar Machine Learning
para mejorar los procesos de toma de decisiones.
- CEOs, managers y otros directivos no técnicos de todos los sectores que gestionan
equipos con responsabilidades a nivel técnico.
- Perfiles técnicos que buscan adquirir los fundamentos de conocimiento necesarios
sobre Machine Learning.

1
Aquellos que completen el curso serán capaces de
- Obtener información a partir de los datos utilizando herramientas de análisis y
visualización eficaces.
- Identificar los modelos de predicción adecuados para predecir sus resultados.
- Aplicar marcos eficaces de toma de decisiones basadas en datos.
- Evaluar sus decisiones y determinar si sus resultados fueron el resultado de sus
acciones.

4) Requisitos de participación
Para cursar este programa no se requieren conocimientos de programación o de matemáticas
avanzadas. Para un mejor entendimiento y aprovechamiento del mismo, se recomienda tener
conocimientos de estadística básica.

5) Instructor
Profesor: Devavrat Shah Devavrat Shah es profesor en el departamento de ingeniería
eléctrica y ciencias de la computación en MIT. Es miembro del
“Laboratory for Information and Decision Systems” (LIDS) y del
“Operations Research Center” (ORC), y es director del recién
formado “Statistics and Data Center” en el “Institute for Data,
Systems, and Society” (IDSS). Su investigación se centra en la
teoría de las grandes redes complejas, que incluye algoritmos
de red, redes estocásticas, teoría de la información en red y la
inferencia estadística a gran escala.
El profesor Shah recibió el premio “Rising Star Award” 2008 de
ACM SIGMETRICS por su trabajo en algoritmos de
programación de redes. Recibió también el Premio Erlang
2010 de INFORMS, que se otorga a un joven investigador por
su destacada contribución a la probabilidad aplicada.
Actualmente es editor asociado en “Operations Research”.
La investigación del profesor Shah está impulsada por el deseo
de diseñar una red en la que un usuario típico pueda
conectarse a través de un smartphone, socializar a través de
Facebook, aprender con Wikipedia y ayudar a lograr un
cambio sociopolítico a través de Twitter. Como teórico de las
redes, sus contribuciones a la hora de abordar estos retos
incluyen el diseño de mejores redes de acceso inalámbrico y
el procesamiento de datos sociales y algoritmos escalables.

2
6) Duración del curso
El programa online de Machine Learning tiene una duración de 8 semanas. Dará comienzo el día
24 de septiembre y finalizará el día 19 de noviembre de 2019.
Estas 8 semanas se distribuirán de la siguiente manera:
- Semana 1: Introducción al Machine Learning
- Semana 2: Comprensión de los datos
- Semana 3: Modelos de predicción: regresión
- Semana 4: Modelos de predicción: clasificación
- Semana 5: Modelos de predicción: redes neuronales
- Semana 6: Fundamentos para la toma de decisiones
- Semana 7: Aplicaciones en la toma de decisiones
- Semana 8: Inferencia causal

7) Programa
Módulo 1: Introducción al Machine Learning.
Objetivos
Ofrecer una panorámica general de los cuatro bloques en torno a los que se articula este
programa online de Machine Learning.
 Comprensión de los datos: ¿Qué nos están diciendo?
 Predicción: ¿Qué va a pasar?
 Toma de decisiones: ¿Qué hacer?
 Inferencia causal: ¿Funcionó?
Actividades
 Test de autoevaluación módulo 1
 Foro de discusión

BLOQUE 1: COMPRENDIENDO LOS DATOS: ¿QUÉ NOS DICEN?


Módulo 2: Comprensión de los datos.
Objetivo:
Aprender las características básicas de los conjuntos de datos e identificar herramientas
estadísticas eficaces para obtener información de sus datos.
 Hacer las preguntas correctas para la comprensión de los datos.
 Saber qué herramientas utilizar para desbloquear los conocimientos.
 Cómo la visualización de datos aclara los datos.
Actividades
 Test de autoevaluación módulo 2
 Entrega: Estudio de caso de Sanz y Silva, Parte I

3
BLOQUE 2: PREDICCIÓN
Módulo 3: Regresión.
Objetivo:
Entender el concepto básico de regresión lineal y cómo se puede utilizar con datos históricos para
construir modelos que puedan predecir los resultados futuros.
 ¿Cómo construir un modelo que se ajuste mejor a sus datos?
 ¿Cómo cuantificar el grado de incertidumbre?
 ¿Qué hacer cuando no se dispone de suficientes datos?
 ¿Qué yace más allá de la regresión lineal?

Actividades
 Test de autoevaluación módulo 3
 Foro de discusión

Módulo 4: Clasificación.
Objetivos: En este módulo aprenderá a utilizar las clasificaciones para predecir resultados que se
dividen en dos o más categorías
 Comparar la capacidad de los diferentes métodos para minimizar los errores de
predicción.
 Realizar mejores predicciones, basadas en sus datos y el resultado deseado.
 Utilizar los enfoques correctos para tratar con la complejidad de los datos.
Actividades
 Test de autoevaluación módulo 4

Módulo 5: Redes neuronales.


Objetivo: Comprender el funcionamiento de las redes neuronales en tanto en cuanto se utilizan
en máquinas para aprender a modelar relaciones complejas entre entradas y salidas y encontrar
patrones en los datos.
 ¿Qué son las redes neuronales y cómo lo hacen? ¿funcionan?
 Explorar la historia y los ejemplos de los sistemas de redes neuronales complejas.
 ¿Cómo las redes neuronales minimizan los errores, independientemente del tamaño de
su conjunto de datos?

Actividades
 Test de autoevaluación módulo 5
 Entrega: Estudio de caso de Sanz y Silva. Parte II

4
BLOQUE 3: TOMA DE DECISIONES: ¿QUÉ HACER?
Módulo 6: Fundamentos para la toma de decisiones.
Objetivos: La toma de decisiones trata de seleccionar la decisión o acción “óptima” en momentos
de incertidumbre; por los cuales todos los líderes empresariales y técnicos deben pasar
regularmente. Comprender sus fundamentos es esencial para una óptima toma de decisiones.
 Aprenda cómo las decisiones que usted toma impactan el futuro inmediato y el más allá.
 Elija el enfoque correcto basado en el medio ambiente, la tasa de flujo de información y
su objetivo.
 Encuentre el equilibrio entre la exploración (identificando lo que aún no sabemos) y
explotación (usando lo que ya sabemos).
Actividades
 Test de autoevaluación módulo 6

Módulo 7: Aplicaciones para la toma de decisiones.


Objetivos: Enfocarse en muchas de las aplicaciones prácticas de la toma de decisiones, desde las
situaciones estáticas a las dinámicas
 Aprenda a hacer recomendaciones en tiempo real para clientes para conseguir más
negocio.
 Aprenda a como alcanzar un inventario óptimo de gestión.
 Observe como los científicos de datos están explorando vías para predecir el precio
futuro de bienes digitales como Bitcoin.
Actividades
 Test de autoevaluación módulo 7
 Entrega Estudio de caso de Sanz y Silva. Parte III

BLOQUE 4: INFERENCIA CAUSAL: ¿HA FUNCIONADO?


Módulo 8: Inferencia Causal.
Objetivo: Trata del entendimiento de las relaciones entre causa y efecto
 Dado un paquete de observaciones, identificar qué causó tales observaciones.
 Aprender a diseñar experimentos que proporcionen conclusiones enjundiosas.
Aplicaciones: Evaluar si los cupones de descuento producen ventas más altas sobre ciertos
productos, o si la razón del aumento de ventas depende de un factor externo como una economía
mejorada.
Actividades
 Test de autoevaluación módulo 8
 Foro de discusión

5
8) Sistema de evaluación

Para completar el curso el participante tendrá que completar los módulos, la encuesta inicial y la
encuesta final del curso y entregar el 100% de las tareas y actividades del programa. El
participante deberá obtener al menos el 80% de la puntuación máxima total de las calificaciones
del programa.
Al final de cada módulo hay unos test de autoevaluación de respuesta múltiple. Estos test han de
ser realizados para poder obtener el certificado del curso. Una vez que haya completado el 100%
de las actividades y requerimientos del curso, tendrá a su disposición el Certificado del Curso con
indicación de los CEU que ha obtenido.
Es necesario realizar las siguientes tareas:
 Entrega 1 (Módulo 2): Estudio de caso de Sanz y Silva Parte I - Obtención de información
a partir de datos.
 Entrega 2 (Módulo 5): Estudio de Caso de Sanz y Silva Parte II - Haciendo Predicciones
Usando Datos.
 Entrega 3 (Módulo 7): Estudio de Caso de Sanz y Silva Parte III - Habilitación para la toma
de decisiones.
Cada una de estas entregas se articula en dos escenarios: uno enfocado desde la gestión y otro
desde un punto de vista técnico. Cada participante tiene que completar al menos uno de dichos
escenarios (de gestión o técnica) para cada entrega. También puede elegir completar ambos
escenarios si desea dominar tanto las aplicaciones técnicas como las de gestión.
Se le permiten dos intentos por cada prueba (tanto las comprobaciones semanales de
conocimientos como las entregas). La puntuación más alta de sus intentos se registrará en la
pestaña Grados de la plataforma de aprendizaje.

9) Entregas fuera de plazo

Con carácter general, las fechas de entrega son de obligado cumplimiento para un mejor
seguimiento del curso. No obstante, si por alguna causa no le fuera posible cumplir con ellas le
recomendamos ponerse en contacto con el facilitador personal del curso para ponerlo en su
conocimiento y, en los casos en que proceda, acordar una nueva fecha de entrega.
En ningún caso, salvo casos especialmente justificados y previamente autorizados por el
facilitador personal, se aceptarán entregas con un plazo superior a una semana (7 días naturales)
de la fecha indicada.

Los criterios de evaluación que se tendrán en consideración a la hora de calificar la actividad y


por lo tanto para obtener la nota máxima del mismo serán: “Calidad, Detalle y Aportación de
Información complementaria”
En principio la clasificación y el factor de nota aplicado en cada caso para cada una de las
actividades será el siguiente:

6
1) Actividades Entregadas de forma Completa y en Plazo:
estas actividades obtendrán entre el 70% y el 100% de la puntuación máxima.
2) Actividades Entregadas de forma Incompleta y en Plazo:
estas actividades obtendrán entre el 40% y el 60% de la puntuación máxima.
3) Actividades Entregadas de forma Completa y fuera de Plazo:
estas actividades obtendrán entre el 50% y el 70% de la puntuación máxima.
4) Actividades Entregadas de forma Incompleta y fuera de Plazo:
estas actividades obtendrán entre el 0% y el 40% de la puntuación máxima.

10) Certificado del curso (MIT Professional Education Certificate of Completion) y CEUs

Todos los participantes que completen con éxito el programa recibirán un Certificado del curso
de MIT Professional Education (MIT Professional Education Certificate of Completion).
Aquellos que completen el curso podrán obtener 6.4 Unidades de Educación Continua (CEUs). Para
obtener los CEU, es requisito indispensable completar un formulario necesario para la
acreditación de los CEUs.
Para obtener más información sobre el certificado digital, consulte nuestra página de preguntas
frecuentes. Para obtener más información sobre los CEU, visite
https://professional.mit.edu/programs/short-programs/ceus.

Los programas Digital Plus de MIT Professional Education son programas que no otorgan títulos
ni créditos. Si bien el Certificado de Finalización y Unidades de Educación Continua (CEU) se
otorgan al finalizar satisfactoriamente cada curso y programa, el certificado no indica en modo
alguno que el beneficiario haya obtenido un título o crédito de MIT o de la Educación Profesional
de MIT o de MIT, o de cualquier otra filial de MIT. Para obtener más información, visite
“professional.mit.edu”.
Para obtener el certificado del curso y los CEU, los participantes también tendrán que:
 Crear un perfil en el curso.
 Completar la encuesta inicial del curso.
 Completar los módulos y actividades requeridas para logar el Certificado del Curso.
 Completar la encuesta de evaluación final del curso.
Estos CEU se podrán convalidar con otros certificados profesionales o en horas de formación
profesional o educación continua. Consulte estas posibilidades con su departamento de
formación o directamente con las personas competentes para ello.
Si en algún momento necesita que su certificado sea verificado por el personal de MIT, no dude
en ponerse en contacto con MIT Professional Education Digital Plus Programs en la siguiente
dirección digitalplus@mit.edu.

7
11) “MIT Professional Education Fire Hydrant Award”
Todos los participantes podrán optar al “MIT Professional Education Fire Hydrant Award”.
Un objetivo importante de este curso es la comprensión de cómo las herramientas y técnicas de
Machine Learning contribuyen a ejercer un Liderazgo que permita una más eficiente toma de
decisiones en muy distintos entornos. Teniendo presente este objetivo, esta distinción podrá ser
otorgada a cualquier participante que haya demostrado una actitud participativa y colaborativa
que muestre su compromiso con el programa y el aprendizaje.
Esperamos encontrar este tipo de capacidades entre el grupo de participantes. Para ello, se
tendrá en cuenta tanto las actividades entregables durante el curso como, muy especialmente,
la participación en los foros y la interacción con otros compañeros.
Cuando algún participante haya demostrado estas capacidades aparecerá el correspondiente
icono en su perfil, pudiendo ser uno o varios los galardonados.

12) Acceso al material del curso

Al finalizar el curso y durante un periodo de 30 días, el participante tendrá acceso al curso que
contiene todas sus respuestas, materiales –incluidos los vídeos del curso de MIT, y una
transcripción de todas las actividades completadas satisfactoriamente y, en el caso de haber
completado satisfactoriamente todas las actividades y módulos, el Certificado del Curso y los CEU.

13) Beneficios para Alumni


MIT Professional Education ofrece una serie de beneficios para los participantes que completen
con éxito el programa online de Machine Learning:
- 15% de bonificación para los programas cortos presenciales de MIT Professional
Education.
- Oportunidades de hacer networking con otros Alumni de MIT Professional Education.
- Anuncios exclusivos de nuevos cursos, programas y eventos.
- Formar parte del grupo de LinkedIn MIT Professional Education Alumni en español.

14) Código ético

El trabajo en común es un factor clave para el éxito. Le animamos encarecidamente a que trate
siempre de colaborar y trabajar en equipo y que comparta sus ideas y preguntas libremente con
los demás, pues observará que redunda en su beneficio. Para ello es muy importante aceptar y
cumplir unas normas básicas de comportamiento que permitan desarrollar el aprendizaje en un
entorno de plena confianza mutua.
En este sentido le recordamos que al inscribirse en este programa:
- Usted es el que realiza toda actividad relacionada con el curso.
- Que no presentará nada bajo su autoría que no haya surgido o haya sido escrito por Usted
sin indicar adecuadamente las fuentes de las que lo ha tomado.

8
- Que todas las actividades son originales y preparadas exclusivamente por usted o con la
colaboración de sus compañeros del grupo, que también están inscritos en el mismo
programa.
- No permitir que nadie más se introduzca en la plataforma con su usuario.
- Realizar los tests, exámenes o pruebas de forma individual, sin ayuda de terceros o de
medios no autorizados para la ocasión.
- No compartir las preguntas de los tests, exámenes o cualquier otra prueba con nadie, ni
con sus compañeros del curso.
- No publicar materiales del curso fuera de la plataforma del programa.
- No realizar ningún acto deshonesto, en especial si va dirigido a mejorar su calificación.
- Promover un comportamiento ético y esforzarse al máximo para que los otros colaboren
en este sentido.

15) Soporte
Todos los participantes tendrán asistencia técnica para resolver todas las cuestiones relacionadas
con el acceso y utilización de la plataforma online.
El plazo de respuesta a las incidencias es de 24 horas.

16) Política de cambios y devoluciones


Todos los participantes deberán leer la política de cambios y devoluciones del programa en el
siguiente enlace: https://programasprofesionales.mit.edu/condiciones-de-inscripcion/