El uso inteligente de los datos se ha convertido en uno de los motores de empoderamiento de las industrias.

Les
ha permitido conocer mejor a sus clientes, mejorar su productividad, generar innovación y alcanzar nuevos
niveles de competitividad.

En segmentos como el financiero, de las telecomunicaciones o el minorista, entre muchos otros, la analítica de
datos facilita a las empresas la comprensión de su situación actual y de las oportunidades de mejora, a partir de
la adquisición de conocimientos basados en los datos de su propia operación. Esto les permite realizar tareas
como: identificar fraudes, hacer perfiles de clientes con comportamientos similares, predecir cuáles de los
clientes están en mayor riesgo de abandonar una compañía por la competencia, identificar el mejor conjunto de
productos para recomendar a un cliente, etc.

Existen muchos recursos que ofrecen servicios de analítica de datos, muchos de ellos a gran costo, pero las dos
más importantes son de código abierto: los lenguajes R y Python. En efecto, los nuevos adelantos en los campos
de la ciencia de datos se desarrollan inicialmente en estos dos lenguajes, que ofrecen la posibilidad de acceder a
los últimos modelos y algoritmos de la ciencia de datos, a partir de la inclusión de paquetes. De hecho, los
recursos licenciados de grandes proveedores como IBM, SAS, SAP, etc., reconocen que no pueden mantenerse
actualizados en cuanto a las funcionalidades que ofrecen, por lo que permiten conectarse a scripts desarrollados
en estos dos lenguajes, integrándolos a los procesos de datos definidos por sus usuarios.

R está más orientado a las capacidades de aprendizaje estadístico, con opciones que presentan gran robustez
teórica; Python es un lenguaje de programación multipropósito, que ha tenido gran aceptación en la comunidad
de ciencia de datos por su madurez, flexibilidad, fiabilidad e interoperabilidad. Además, Python ha sido el recurso
sobre el que se han desarrollado los mayores avances en el campo del Deep Learning.

Este diplomado presenta la analítica de datos utilizando Python como punto de acceso a los modelos y algoritmos
exponiendo técnicas de análisis de la información, con orígenes en la estadística y la inteligencia artificial, que
permiten extraer conocimientos que yacen profundamente en los datos, dando una visión de alto nivel de las
implicaciones organizacionales de su adopción.

Objetivo general:

Al finalizar el diplomado, el participante estará en capacidad de intervenir efectivamente en proyectos de

analítica de datos, mediante la identificación de oportunidades de creación de valor y la construcción de modelos
a partir de técnicas de análisis y visualización de datos en el lenguaje de programación Python.

Objetivos específicos:

• Aplicar el lenguaje de programación Python en el proceso de analítica de datos.

• Aplicar la metodología ASUM-DM al desarrollo de proyectos de analítica de datos.
• Identificar el potencial de generar valor a partir de un conjunto de datos resultantes de la operación del
negocio.
• Formular preguntas relevantes para el negocio que puedan ser respondidas a partir del análisis de los
datos disponibles.
• Aplicar las técnicas de analítica más adecuadas para construir un modelo de solución.
 • Evaluar e interpretar los resultados obtenidos a partir de diferentes modelos analíticos.
• Aplicar técnicas de visualización para comunicar, efectivamente, los resultados de los modelos analíticos.

Dirigido a:
Profesionales de diversas áreas, tanto del sector público como del privado, con funciones que requieran del
análisis de datos para la toma de decisiones, como: gerentes y líderes de áreas de mercadeo, inteligencia de
negocios, y estrategia; gerentes y líderes de proyectos en tecnologías de la información, logística; consultores,
ejecutivos de nivel superior, analistas y desarrolladores de sistemas.

Metodología

El programa se desarrollará bajo la modalidad de metodología activa, donde se les entregará a los participantes
el material de estudio para que en clase se desarrollen ejercicios prácticos con ejemplos extraídos de situaciones
del día a día de la empresa y que simulan una situación real. También, se hará análisis de casos, talleres, discusión
y aplicación de temas relacionados con el desarrollo personal y presentaciones breves de tipo magistral, bajo la
coordinación de cada uno de los docentes y la participación activa de los asistentes.

Estructura del programa:

I. INTRODUCCIÓN A PROGRAMACIÓN CON PYTHON

 Objetivo Específico 1. Implementar la solución de un problema a través del lenguaje de programación
Python, utilizando la consola y el IDE (ambiente integrado de desarrollo) Jupyter Notebooks.
 Objetivo Específico 2. Comprender los conceptos de declaración de variables, asignaciones e
invocaciones a métodos, parámetros de funciones y creación de objetos.
 Objetivo Especifico 3. Utilizar expresiones aritméticas, lógicas y relacionales como parte de las
instrucciones de un programa.
 Objetivo Especifico 4. Aplicar condicionales en el cuerpo de un método para la consideración de casos
en la solución de un problema.
 Objetivo Específico 5. Utilizar estructuras de control repetitivas en la solución de problemas que lo
requieran.
 Objetivo Especifico 6. Interpretar y solucionar los errores ocurridos en el tiempo de ejecución de un
programa en Python.
 Objetivo Específico 7. Diseñar algoritmos que utilicen arreglos, vectores y matrices como estructuras
para el almacenamiento de datos.

II. INTRODUCCIÓN A LA ANALÍTICA DE DATOS

 Objetivo Específico 1. Explicar qué se entiende por "Analítica" y "Big Data".
 Objetivo Específico 2. Explicar los problemas que los grandes volúmenes de datos causan en las
organizaciones.
 Objetivo Específico 3. Comprender el proceso global de un proyecto de analítica de datos en la empresa,
así como la metodología ASUM-DM para seguir en proyectos de analítica.
III. ANÁLISIS EXPLORATORIO DE DATOS
 Objetivo Específico 1. Explicar el rol del análisis exploratorio de datos como parte del desarrollo de un
proyecto de analítica.
 Objetivo Específico 2. Detectar y solucionar problemas de calidad de los datos a través del
preprocesamiento de los mismos utilizando Pandas.
 Objetivo Especifico 3. Aplicar técnicas de exploración de datos para descubrir información relevante
para responder preguntas de negocio en proyectos de analítica, empleando librerías de Python como
Pandas, Matplotlib y Seaborn.
 Objetivo Específico 4. Explicar, visualmente, los resultados obtenidos en la fase de exploración de datos.

IV. ESTADÍSTICA PARA LA ANALÍTICA

 Objetivo Específico 1. Utilizar e interpretar medidas de tendencia central, de posición y de dispersión
para describir datos (librerías NumPy y Matplotlib).
 Objetivo Específico 2. Examinar las principales distribuciones de probabilidad que se emplean para
describir datos.
 Objetivo Específico 3. Describir una población a partir de una muestra, mediante la elección adecuada
de un método de muestreo y un tamaño de muestra, y el uso de estimadores puntuales e intervalos de
confianza.
 Objetivo Específico 4. Efectuar comparaciones entre dos o más poblaciones a partir de una muestra,
empleando pruebas de hipótesis paramétricas y no paramétricas (librería StatsModels).
 Objetivo Específico 5. Analizar la relación entre variables, utilizando medidas de correlación, la
regresión lineal (librería StatsModels) y regresión logística

V. APRENDIZAJE SUPERVISADO
 Objetivo Específico 1. Identificar los problemas de la empresa que se pueden resolver a partir de
modelos de aprendizaje supervisado, discriminando entre los casos de clasificación y regresión.
 Objetivo Específico 2. Evaluar la calidad de los modelos de aprendizaje supervisado en términos de
métricas de validación.
 Objetivo Específico 3. Aplicar algunas de las técnicas de modelado de aprendizaje supervisado más
comunes a problemas reales en Python (librería scikit-learn): K-vecinos más cercanos, árboles de
decisión, modelos de ensamble y redes neuronales artificiales.

VI. APRENDIZAJE NO SUPERVISADO

 Objetivo Específico 1. Identificar los problemas de la empresa que se pueden resolver a partir de
técnicas y algoritmos de aprendizaje no supervisado, discriminando entre los casos de segmentación,
reducción de dimensionalidad y sistemas de recomendación.
 Objetivo Específico 2. Aplicar las técnicas de modelado de aprendizaje no supervisado más comunes a
problemas reales a través de la librería Scikit-learn en Python: Clustering por K-Means, Clustering
jerárquico, PCA y Apriori.
Acreditación
La Universidad Icesi expedirá el diploma digital a los participantes cuya asistencia sea del 80% del total de las
horas de clase virtuales programadas.

Inscripción y forma de pago

1. Diligencie el formulario de inscripción en línea www.icesi.edu.co/inscripcion_educacion_continua/.

2. Una vez se genere la factura usted recibirá un correo electrónico, en ese momento podrá ingresar al
portal de estudiantes de Educación Continua para hacer el pago en línea,
(www.icesi.edu.co/inscripcion_educacion_continua/ ).

 Puede generar la factura y proceder a pagar el valor del programa en línea o pagar en las entidades
financieras que se relacionan en el recibo de pago del programa de Educación Continua.

Lugar y Tiempo

Clases virtuales online en vivo: miércoles y viernes de 6:30 p. m. a 9:30 p. m. vía Zoom.
Los cambios eventuales que se puedan presentar frente a la programación inicial (Fechas, Horarios, Docentes)
serán informados oportunamente a los estudiantes.

Intensidad: 92 horas

Inversión: $2.200.000 incluido el 1.5% del impuesto de Procultura.

Requerimientos técnicos y logísticos:

Con el fin de asegurar una buena recepción y activa participación durante el desarrollo de las sesiones en Zoom, se hacen
las siguientes recomendaciones:
 Se requiere una conexión a Internet con ancho de banda de 10 megas.
 Descargar e Instalar el software de conferencia en línea en la siguiente dirección: https://www.zoom.us/download
 El participante debe ubicarse en un lugar tranquilo, sin interferencias y con una buena conexión a Internet.
 Ingresar a la clase con 15 a 10 minutos de anticipación. Las invitaciones a cada sesión se enviarán con anterioridad.
 Usar siempre audífonos.
 Es recomendable que cada participante use su computador.
 Participar activamente en la clase a través del chat o levantar la mano para pedir la palabra.