PROGRAMA DE

ESPECIALIZACIÓN EN

CIENCIA DE
DATOS
APLICADO A ECONOMÍA Y FINANZAS
 DESCRIPCIÓN
DEL PROGRAMA
El programa de especialización de “Ciencia de Datos aplicado a Economía y Finanzas” está constituido de 5
módulos (fundamentos de ciencia de datos, gestión de datos, visualización de gráficos, machine learning y
deep learning) y busca que el estudiante sea capaz de procesar grandes volúmenes de datos, transformar
enormes cantidades de datos en información clave, analizar tendencias, tomar decisiones acertadas y
estratégicas, predecir escenarios, y crear soluciones creativas y de alto impacto..

Pensando en lo mejor para nuestros alumnos, hemos diseñado una metodología que combina una
videoteca de última generación, la cual permite que el (la) participante absorba los conocimientos teóricos
desde el primer día de su matrícula y durante las 24 horas del día en su momento (su horario) más
oportuno y de mayor comodidad a través de nuestra moderna plataforma educativa, y clases online por
zoom durante todo el año con profesores que trabajan en empresas e instituciones líderes. Estudia en
INFOX, la plataforma educativa de economía y finanzas número 1 en América Latina. Nuestra historia,
experiencia, calidad y prestigio nos respalda.

DOCENTES ALTAMENTE EDUCACIÓN APERTURA AL

CALIFICADOS MULTIMODAL MERCADO LABORAL

PERFIL DEL ALUMNO

• Público en general sin conocimientos previos que busca adquirir conocimientos sólidos
de ciencia de datos, desde un nivel elemental hasta avanzado.
• Público en general que está interesado en liderar iniciativas de ciencia de datos e
inteligencia artificial en sus empresas.
• Emprendedores interesados en innovar utilizando ciencia de datos e inteligencia artificial.
• Estudiantes y profesionales en Economía, Finanzas, Estadística, ingeniería empresarial y
carreras de negocios afines, que buscan mejorar sus habilidades computacionales para
el mercado laboral.
• Profesionales que aspiran a trabajar como científicos de datos en las mejores empresas
del mundo como Amazon, Google, Apple, Meta, o de América (bancos, AFPs, entre otros).
• Profesionales que aspiran a trabajar en los principales Estudios Económicos
internacionales como el Fondo Monetario Internacional, Banco Mundial, Banco
• Interamericano de Desarrollo, CAF, entre otros.
• Profesionales que aspiran a trabajar como Researchers en los distintos centros de
investigación a nivel nacional (PUCP, CIUP, IEP, GRADE, IPE) e internacional (Princeton,
Yale, Harvard, entre otros).
OBJETIVOS DEL PROGRAMA
El egresado o egresada del programa será capaz de:

• Entender las bases sólidas de inteligencia artificial, estadística y economía para la ciencia
de datos.
• Comprender las complejidades de las técnicas de ciencia de datos y sus aplicaciones a
problemas del mundo real.
• Diseñar y liderar proyectos de análisis de datos.
• Elegir el modelo de machine learning que mejor se adapte a su base de datos y a los
objetivos que desea.
• Optimizar procesos y negocios de empresas privadas y públicas que generen alto
impacto en su desarrollo.
• Explorar los ámbitos del aprendizaje automático y las redes neuronales, y cómo se
pueden aplicar a múltiples industrias y contextos comerciales

BENEFICIOS INFOX

Acceso al Aula Virtual Contenido Premium Descuentos exclusivos

las 24 horas del día. que complementa para la comunidad
tu aprendizaje. INFOX.

Conferencias exclusivas Sala de entrevistas con

con prestigiosos economistas peruanos
ponentes nacionales e referentes en el Perú y
internacionales. el mundo.
¿POR QUÉ ESTUDIAR
CON NOSOTROS?
METODOLOGÍA
Sabemos que una educación de calidad y bien
planificada permite que el alumno pueda alcanzar
sus objetivos. En ese sentido, apostamos por un Aula
Virtual que cuenta con videos por temas las 24 horas
del día, que complementado eficientemente con las
sesiones en vivo durante todo el año, permite que el
alumno refuerce y practique lo aprendido.

PROFESORES
Nuestros profesores son científicos de datos que trabajan en las mejores
empresas del mundo como Amazon o JP Morgan Chase o han estudiado en el
Banco Central del Perú. Todos cuentan con una inmejorable trayectoria académica
y una vasta experiencia en el sector público y privado.

VOCACIÓN
Somos una institución comprometida con democratizar y descentralizar la
educación de calidad en un contexto en el que las diferencias socioeconómicas
cada vez son más amplias.

RED DE CONTACTOS
Nuestros profesores son referentes de la profesión, por lo que un buen
desempeño en INFOX podría generarte Cartas de Recomendación para un
programa de estudios de posgrado en el Perú o en el extranjero.

APERTURA AL MERCADO LABORAL

Los programas educativos de INFOX son de una alta calidad, por lo que la
formación del estudiante no es menor a ello. Aprobar un programa tan exigente
como el que ofrecemos te abre muchas oportunidades en las mejores empresas
públicas y privadas del Perú y del mundo.

METODOLOGÍA E-LEARNING (SINCRÓNICA / ASINCRÓNICA)

FUNDAMENTOS DE
LA CIENCIA
DE DATOS
1. INTRODUCCIÓN AL SOFTWARE
DE R PLATFORM
a. ¿Por qué usar R?
b. Instalando R y Rstudio
c. Usando R como una calculadora
d. ¿Qué son los Packages?
e. Instalando la librería de tidyverse

2. ESTRUCTURAS DE DATOS
a. Vectores
- ¿Qué es un vector y cómo
crearlo?
- Propiedades de un vector
- Operaciones matemáticas con
vectores
b. Matrices
- ¿Qué es una matriz y cómo crearlo?
- Accediendo elementos de una matriz
- Operaciones con matrices
- Atención con la multiplicación de
matrices
- Funciones aplicadas a las matrices
- Aplicación: Cómo resolver sistema de
ecuaciones
- Array y listas
c. Data Frames
- ¿Qué es un data frame y cómo
crearlo?
- Características de una data frame
- Accediendo a variables de un data
frame
GESTIÓN
DE DATOS
3. ADMINISTRACIÓN DE BASE
DE DATOS
a. Función select
- Tres formas paras seleccionar variables
- Eliminando variables
- Usando la función Starts_with
- Reordenar nuestras variables
- Renombrando variables
b. Función Filter
- 3 formas de seleccionar filas
- Combinando operaciones Boleanas
- Ojo con las leyes de Morgan
- Usando la función subset
c. Función Arrange
- Ordenar los datos de menor a mayor
- Ordenando de mayor a menor
- Ordenamiento de variables string
d. Función Mutate
- Tres formas de crear variables
- Usando funciones agregadas
- Recodificando variables
- La función ifelse
- La función case_when
 e. Función Group by
- Generando estadísticas agrupadas
- El problema de las bases
- intermedias
- Conociendo el operador pipe (%>%)
Aplicando el operador pipe
4. LIMPIEZA DE DATOS
a. Estructura de una base de datos
adecuada
b. Función Spread y gather
c. Funciones Separate y unite
d. Datos relacionales
- Claves primarias y foráneas
- Mutating joins
- Joins con claves diferentes
- Joins con diferentes claves
- Claves duplicadas
VISUALIZACIÓN
DE GRÁFICOS
5. GRÁFICOS CON GGPLOT2
a. Gráfico de una sola variable
- Gráfico de densidad
• Gráfico de densidad
• Gráfico de histogramas
• Gráfico de densidad por grupos
• Ridgeline plot
- Gráficos Boxplot
• Gráficos BoxPlot de 1 variable
• Gráficos BoxPlot por grupos
• Gráficos BoxPlot por dos
categorías
b. Gráfico de 2 variables
- Gráfico de barras
• Gráfico de frecuencias
• Personalizando gráfico de barras
• Gráfico de barras apiladas
• Gráfico de barras agrupadas
- Gráfico scatter
• Gráfico de dispersión
• Gráfico de dispersión por
categorías
• Personalizando la nube de
puntos
- Gráfico de líneas
• Gráfico de series de tiempo
- Gráfico de Animados
• Conociendo la base de datos
de gapminder
• Realizando gráfico con
transicion_time
• Realizando gráfico con
transicion_reveal
6. ANÁLISIS DE SERIES DE
TIEMPO
a. Preparando nuestra data de Yahoo
Finance
b. Trabajando con fechas
c. Formatos de fechas
- Crear fechas desde el epoch
- Extraer días meses y años de fechas
- Calculando la rentabilidad de Google
d. Descomposición de una serie
Temporal
e. Simple Moving Average
- Gráficos Estacionales
- Suavizamiento Exponencial simple
- Método Holt Winters
f. Modelos Arima
- Transformamos la serie a una
serie estacionaria
- Pruebas de Dickey y Fuller de
raíz unitaria
- Ajustamos el modelo y
predecimos
- Automated ARIMA forecasting
con Auto.arima
7. ANÁLISIS ESTADÍSTICO
a. Estadísticos descriptivos
- Medidas de tendencia central
- Medidas de dispersión
b. Frecuencia y tabla
- Frecuencia de tablas
- Tablas de doble Entrada
c. Test de independencia
Chi-Squared
d. Test de diferencia de Medias
e. Correlaciones
- Tipos de correlaciones
- Test de correlación significancia
- Gráficos de correlación
- Calculando la rentabilidad de
Google
8. REPORTERÍA EN R
MARKDOWN
a. ¿Qué es un R Markdown?
b. Mi primer R Markdown
c. Elegir el formato de salida
d. Sintaxis básica
e. Adicionando código en R
f. Opciones sobre los chunks
g. Ejemplo en R
MACHINE
LEARNING
9. MACHINE LEARNING
a. ¿Qué es Machine Learning?
b. Diferencias con la programación
tradiciona
c. Machine Learning supervisado
- División de la data entre test y
entrenamiento
- Problemas de clasificación
- Matriz de confusión
- Problema de Regresión
- Error cuadrático medio
- Calculando la rentabilidad de Google
d. Machine Learning No supervisado
e. El problema del Overfitting
f. Bias vs Varianza
10.PRINCIPALES COMPONENTES
PLATFORM
a. ¿Qué es el componente principal?
b. La matemática de un componente
principal
c. Aplicaciones en R
d. Interpretación de un componente
principal
e. Gráficos Bitplot
11. ANÁLISIS DE CLÚSTER
a. Clústeres no jerarquizados
- ¿Qué es un clúster?
- Algoritmo de k-means
- Aplicaciones en R
- Número óptimo de clúster
b. Clúster Jerarquizados
- ¿Qué es un clúster jerarquizado?
- Medidas de distancia y similitud
- ¿Qué es un dendrograma?
- Aplicaciones en R
- Cortando nuestro dendrograma
12. MODELO DE CLASIFICACIÓN
a. Preparando los datos
b. Modelos de regresión logística
- ¿Qué es una regresión
logística?
- ¿Qué es un Odds Ratio?
- La matemática detrás de Odd
Ratio
- Evaluación del Modelo
c. ÁRBOLES DE DECISIÓN
- ¿Cómo funciona un árbol de
decisión?
- La matemática detrás de los
árboles de decisión
- Dibujando nuestro primer árbol
en R
- Estimamos un árbol de
regresión
- Técnica de Random Forest
d. Support Vector Machine
- ¿Cómo funciona un SVM?
- Matemática de las SVM
- Aplicación en R
- SVM con kernel Radial y
Polinómico
13. MODELOS DE REGRESIÓN
a. Regresión lineal simple
b. Regresión polinómica
c. Regresión múltiple
d. Regresión con interacciones
e. Diagnóstico de regresiones
f. Árboles de regresión
DEEP LEARNING
(PYTHON)
14. INTRODUCCIÓN A LAS
REDES NEURONALES
a. Motivación
b. Modelo de redes neuronales
c. El Perceptrón
d. Adaline
e. Redes de Hopfield
f. Máquinas de Boltzman
g. Modelos alternativos
h. ¿Cómo aprenden las redes
neuronales?
i. Aplicaciones de las redes
neuronales
15. REDES NEURONALES
a. ¿Qué es un perceptrón?
b. Funciones de activación
c. El algoritmo de back propagación
¿Puede una red adivinar mi
dibujo?
d. Jugando con una red neuronal:
playground tensorflow
e. Aplicación en R
Evaluando nuestra red neuronal
f. Red neuronal para regresión
g. Evaluación de la red neuronal
16. RED NEURONAL SIMPLE
a. Concepto de Neurona
b. Concepto de Capas Ocultas
c. Arquitectura de una red neuronal
d. Modelo Computacional de una
red neuronal
e. Matemática de una red neuronal
f. Forma matricial de una red
19. CLASIFICACIÓN EN PYTHON
neuronal
g. Función de Costo en una red a. Conceptos de Modelos de
neuronal Clasificación
17. PERCEPTRÓN MULTICAPA b. Casos de Uso de Modelos de
Clasificación
a. Red Neuronal: Perceptrón
c. Aplicación de Modelo de
Multicapa
Clasificación en Python
b. Arquitectura del Perceptrón
d. Implementación del Modelo de
Multicapa
Clasificación
c. Gradiente descendiente con una
e. Métricas para Modelos de
variable
Clasificación
d. Gradiente descendiente
f. Validación de un Modelo de
generalización
Clasificación
e. Forward Propagation
g. Modelo de Clasificación MultiClase
f. Funciones de Activación
g. Comparaciones de Función de
20. REGRESIÓN EN PYTHON
Activación
h. BackPropagation a. Conceptos de Modelos de
Regresión
18. DEEP LEARNING EN PYTHON b. Casos de Uso de Modelos de
a. Deep Learning en Python Regresión
b. Descripción del entorno de c. Aplicación de Modelo de
Python para DL Regresión en Python
c. APIs más utilizadas en Python d. Implementación del Modelo de
para DL Regresión
d. Nuestro Primer Marco de e. Métricas para Modelos de
Aprendizaje Profundo Regresión
e. Entrenamiento utilizando método f. Validación de un Modelo de
Hold Out Regresión
f. Entrenamiento utilizando método
Cross Validation
g. Ajuste de un modelo
h. Tuneo de Hiper Parámetros
21. RED NEURONAL
RECURRENTE
a. Redes Neuronales Recurrentes
b. Elementos de una RNR
c. Arquitectura de una RNR
d. Aplicación de RNR en Python

22.RED NEURONAL
CONVOLUCIONAL
a. ¿Qué es una Red Convolucional?
Redes Neuronales
b. Convolucionales
Elementos de una RNC
c. Arquitectura de una RNC
d. Aplicación de RNC en Python
e. ¿Qué son los Mapas de
Características?
f. Filtros en imágenes
g. Aplicación: ¿Cómo diferenciar
gatitos de perritos?
h. Aplicación: ¿Cómo identificar
neumonía en los pacientes?

23. LONG SHORT TERM

MEMORY
a. Introducción a LSTM
b. Aplicación de LSTM en Python
c. Predicción de LSTM
d. Evaluación de LSTM
PLANA
DOCENTE
GLORIA RIVAS
Actualmente trabaja como analista de Business Intelligence en una de las mejores
empresas del mundo, Amazon (Europa). Es magíster en Data Science de la
Universidad Erasmus Universidad Rotterdam (Holanda). Ha realizado una pasantía en
la sede central de Unilever en Rotterdam (Holanda) donde diseña modelos de
machine learning para la predicción de productos que se volverán obsoletos. Previo a
la maestría se desempeñó como analista senior de pricing analytics en el BCP.

IRINA WINTER
Actualmente trabaja como Data Scientist Associate de una de las mejores empresas
del mundo, JP Morgan Chase (Estados Unidos). Es summa cum laude de la maestría y
del pregrado de matemáticas de la Pontificia Universidad Católica del Perú (PUCP), así
como Ph.D de Old Dominion University (Estados Unidos). Entre el 2010 y 2013 ha sido
analista senior del departamento de Riesgo Crediticio del Banco de Crédito del Perú

ALDO LEZAMA
Economista por la Universidad Nacional Mayor de San Marcos (UNMSM) y magíster
en finanzas por la Universidad del Pacíficoy magíster en estadística por la
Universidad Nacional Agraria de la Molina, Cuenta con amplia experiencia en temas
analíticos para el sector banca, telecomunicaciones, medios de pago y plataformas
de Big Data. Actualmente lidera el equipo de científicos de datos de Claro Perú.

EDWARD CRUZ
Economista de la Universidad Nacional San Antonio Abad de Cusco (UNSAAC),
graduado con honores. Estudios en Gestión Avanzada de Riesgo en Microfinancieras
en la Universidad ESAN. Además, ha realizado el curso de Extensión de Economía
Avanzada del Banco Central de Reserva del Perú en el 2016. Cuenta con experiencia
como analista estadístico y de datos con enfoque en Machine Learning y Métodos
Cuantitativos. Actualmente, se desempeña como analista en la Caja Municipal de
Ahorro y Crédito Cusco.
PROCESO
DE MATRÍCULA
1. Pago Link: Pagos con tarjeta de débito o crédito (Visa o Mastercard).
Paypal (Dólares): Pagos con tarjeta de débito o crédito (Visa o
Mastercard y American Express).

Depósito o transferencia bancaria a los siguientes números de cuenta:

Cta. de ahorro soles: 192 - 07213211 - 0 - 71
CCI: 002 - 192107213211071 - 37
A nombre de: Cristian Torres Chamorro
Cta. corriente soles: 200-3001710050
CCI: 003-200-003001710050-31
A nombre de: QUBIT PERU
Cta. de ahorro soles: 001 - 0814 - 0223843099
CCI: 01181400022384309911
A nombre de: Manuel Rodriguez Lopez
Cta. de ahorro soles: 078 - 7459 - 866
CCI: 00925420078745986640
A nombre de: Manuel Rodriguez Lopez
Cta. de ahorro soles: 04 - 580 - 594978
A nombre de: Yuliño Anastacio Clemente
Depósito o transferencia a las siguientes billeteras digitales
Yape: 946 512 695
A nombre de: Cristian Torres Chamorro

Plin: 945 251 350

A nombre de: Manuel Rodriguez Lopez

2. Envía tus datos a uno de nuestros asesores

3. Registrar el pago mediante el link proporcionado por INFOX

¡Si cuentas con un cupón de

descuento ingresa a nuestra web!
www.infoxeduca.com
 “Nuestra historia,
experiencia, calidad
y prestigio nos
respalda”

Para mayor información escríbenos al

+51 946 512 695
info@infoxeduca.com
www. infoxeduca.com
Calle Cantuarias 160, Miraflores - Lima, Perú