PROGRAMADEENTRENAMI

ENT
O EN:

PROGRAMACIÓN,CIENCI
A
DEDATOSEI
NTELI
GENCIA
ARTI
FICI
ALCON:

I
nici
aconnos
otr
ost
ucar
rer
apr
ofes
ional

www.
especi
ali
zaci
onesgl
obal
.net
 Acer
cadelPr
ogr
ama
Nuest
ro pr
ogr
ama compl
eto br
inda capaci
taci
ón en ci
enci
a de dat
os,pr
ogr
amaci
ón e
i
ntel
igenci
a ar
tif
ici
alcon Pyt
hon Y RSt
udi
o.Apr
ender
as a r
eal
iz
aranál
isi
s de dat
os,di
señar
sol
uci
ones ef
ect
ivas y aut
omat
izarpr
ocesos,domi
nar
as elt
rabaj
o con bi
g dat
a apl
icando
t
écni
casavanz
adasdeanál
isi
sypr
ogr
amar
assol
uci
onesópt
imaspar
anecesi
dadesr
eal
esde
l
aindust
ria.Además,adqui
ri
rasl
ashabi
li
dadesdemandadasen elmer
cado par
aimpul
sart
u
car
rer
aenci
enci
adedat
os.

AUDI
ENCI
AOBJETI
VO:
Esadecuado par
a est
udi
ant
esuni
ver
sit
ari
os,pr
ofesi
onal
esen anál
isi
sdedat
os,ci
ent
ífi
cosde
dat
os,anal
ist
asde dat
os,pr
ogr
amador
esy cual
qui
erot
ro pr
ofesi
onalque busque const
rui
r
si
stemasdebasededat
ossól
ida,
consol
idadaconpr
ocesosaut
omat
izados.

QUÉAPRENDERÉ:
•Pyt
honyRst
udi
opar
aanál
isi
syaut
omat
izaci
óndedat
os.
•L
impi
eza,
visual
izaci
ónyext
racci
óndei
nsi
ght
sdegr
andesconj
unt
osde
dat
os.
I
NICI
O:
1
7deFebrer
o •Machi
nel
ear
ningpar
amodel
ospr
edi
cti
vos.
DURACIÓN:
•I
ntegr
aci
óndedi
ver
sasf
uent
esdedat
os.
04Meses
•Resol
uci
óndepr
obl
emascompl
ejosconci
enci
adedat
osypr
ogr
amaci
ón.
•Habi
li
dadespr
áct
icasmedi
ant
epr
oyect
osr
eal
es.
•Pr
epar
aci
ónpar
aunacar
rer
aenci
enci
adedat
osypr
ogr
amaci
ón.

120HORAS
ACADÉMICAS
BENEFI
CIOSGL
OBAL
:
•Sesi
ones1
00%envi
voporl
apl
ataf
ormaZoom
•Accesoanuest
rocampusvi
rtualpor1
2meses
•Pl
ant
il
lasyr
ecur
sosdescar
gabl
escomoDATASETSymás

HORARI
OS: •Accesoat
all
eresenvi
voadi
cional
es
SábadosyDomi ngos •Accesoanuest
rogr
upoexcl
usi
vo debol
sal
abor
al.
05:
00PM -07:
00PM
 TEMARI
O
MÓDULO 1
:FUNDAMENTOSDECI
ENCI
ADEDATOS

1
.Int
roducciónal aCienciadeDatos:
•Defini
ciónyaplicaciones.
•Ciclodevidadelpr oyecto.
•Rolesdelcient
ífi
codedat os.

2.
EstadísticaBási ca:
•Media,medi ana,moda.
•Regresiónlinealycor r
elaci
ón.
•Probabili
dadydi stri
buciones.
•Estadí
sticainferenci al
.
•Teoremacent raldell í
mite.
•Int
ervalosdeconf ianzaypr uebasdehi
pót
esi
s.
•Pruebasdenor mal idad.

3.
Her rami entaspar aCi enciadeDat os:
•Programaci ónconPyt hon.
•Librerí
as( numpy, pandas) .
•Manej odedat osenPyt hon.
•Mani pulacióndedat osconSQLypandas.
•Visuali
zaci óndedat os( mat pl
otli
b).
•Aprendi zajeaut omát icosuper vi
sadoynosuper visado.
•Clasifi
caci ón(regr esi
ónl ogíst
ica,árbolesdedecisi
ón).
•Agrupami ento( k-means, cl
usteri
ngj er
árqui
co).

MÓDULO 2:CI
ENCI
ADEDATOSYPROGRAMACI
ÓNCONPYTHON

PYTHON-NI
VELBÁSI
CO

I
ntroducciónaPyt hon
•Sintaxi
sbásica
•Tiposdedat osprimi
tivos
•Oper adoresyexpresi
ones
•Estruct
urasdecont r
oldef l
ujo
•Funciones
•Manej odeer r
ores

Est
r ucturasdeDatosFundament
ales
•Str i
ngs
•Listasyt uplas
•Di ccionari
osyset
s

www.
especi
ali
zaci
onesgl
obal
.net
 TEMARI
O
I
ntr
oducciónalaProgramaci
ónOr
ient
adaaObj
etos
•Clasesyobj
etos
•Métodosyatri
butos
•Herenci
a

ManejodeArchi
vos
•Lect
urayescri
tur
a
•Manejodeexcepciones

MódulosyPaquet es
•Creacióndemódul os
•Gesti
óndepaquet es
•Entornosvi
rtual
es

I
ntr
oducci ónalprocesami entodedat
osconPyt
hon
•NumPypar acál
cul osnumér i
cos
•Pandaspar aanálisisdedatos
•Visual
iz
aciónconMat pl
otli

PYTHON-NI
VELI
NTERMEDI
O

1
.Pr
ogramaciónenPyt hon
•Pr
ogramaciónOrientadaaObjet
os
•Manejodeexcepciones
•Generador
esyDecor adores

2.EstructurasdeDatosAvanz
adas
•L i
stas,tuplasyconj
unt
os
•Di ccionari
os
•ArraysenNumPy

3.
ManipulacióndeDat osconPyt
hon
•Manejodedat osconPandas
•Prepr
ocesami entodedatos
•Análi
sisExpl
oratori
odeDatosconPandasyMat
plot
li
b

4.
Estadíst
icaI
nferencial
•PruebasdeHipótesi
s
•Análi
sisdeVari
anza
•Análi
sisdeRegresi
ón

5.
Aprendizaj
eAut omáticoSupervi
sado
•ModelosdeRegr esi
ónL i
nealyL
ogísti
ca
•Árbol
esdeDeci si
ónyRandom For est
•SupportVectorMachines

www.
especi
ali
zaci
onesgl
obal
.net
 TEMARI
O
6.
Apr endizaj
eAut
omáti
coNoSupervisado
•Clusteri
ng
•Reducci óndeDi
mensi
onali
dad
•Análisi
sdeComponentesPri
nci
pal
es(PCA)

PYTHON–NI
VELAVANZADO

1
.Análi
sisavanz
adodedat osconPyt
hon
•Est
adísti
camulti
variada
•Modeladodedat os
•Métodosdemuest reo

2.
Aprendi z
ajeautomáticoavanzadoconPython
•Árbolesdedecisiónybosquesaleat
orios
•Redesneur onal
esyapr endi
zaj
eprofundo
•Optimizacióndehiper
par ámet
ros

MÓDULO 3:CI
ENCI
ADEDATOSYPROGRAMACI
ÓNCONRSTUDI
O

NI
VELBÁSI
CO

1
.RyRSt udio
•Intr
oducciónaR
•Sintaxi
sbásica
•Tiposdedat os
•Oper adoresyfunci
onesint
egradas
•Estruct
urasdecontroldefl
ujo

2.
ProgramaciónenR
•Funci
ones
•Condici
onalesyl
oops
•Depuraciónymanejodeer
ror
es

3.
Estruct ur
asdeDatos
•Vect oresymatr
ices
•Fact or
es
•Dat aframes
•List
as

4.
Importaci
ónyExpor t
aci
óndeDatos
•Leeryescr
ibi
rarchi
vosCSVyExcel
•BasesdedatosSQL

5.
Visuali
zaci
ónBásicadeDat
os
•Gráfi
cosdelíneas,
barr
as

www.
especi
ali
zaci
onesgl
obal
.net
 TEMARI
O
•Hi
stogramasyboxplot
s
•I
ntroducci
ónaggplot2

6.
Estadísti
caDescri
pt i
va
•Medidasdet endenciacentralydi
sper
sión
•Dist
ribuci
onesdepr obabil
idad
•Correlaci
ónycovarianza

RSTUDI
O –NI
VELI
NTERMEDI
O

1
.ProgramaciónAvanz adaenR
•ProgramaciónFuncional
•PaquetesyL i
brer
ías
•Esti
lodeProgramación

2.
ManipulaciónAvanz adadeDat os
•Manejodedat oscondpl yryti
dyr
•Prepr
ocesami entodedat os
•Análi
sisExpl
oratori
odeDat osconggpl
ot2

3.
Estadíst
icaI
nferenci
al
•PruebasdeHipótesi
s
•Análi
sisdeVari
anza
•Análi
sisdeRegresi
ón

4.
Aprendizaj
eAut omáticoSupervi
sado
•ModelosdeRegr esi
ónL i
nealyL
ogísti
ca
•Árbol
esdeDeci si
ónyRandom For est
•SupportVectorMachines

5.
Apr endizaj
eAut
omáti
coNoSupervisado
•Clusteri
ng
•Reducci óndeDi
mensi
onali
dad
•Análisi
sdeComponentesPri
nci
pal
es(PCA)

RSTUDI
O –NI
VELAVANZADO.

1
.Análi
sisavanz
adodedat osconR
•Modeladodedat osavanz
ado
•Métodosdemuest reoysi
mulaci
ón
•Modelosdeseriesdeti
empo

2.
Aprendiz
ajeautomáticoavanzadoconR
•Modelosli
neal
esgenerali
zados
•Máquinasdevectoresdesoporte
•Apr
endizajepr
ofundoconKer as

www.
especi
ali
zaci
onesgl
obal
.net
 TEMARI
O
3.
Visuali
zaci
óndedatosavanzadaconggpl
ot2
•Gráfi
cosdedensidadycontor
no
•Gráfi
cosdeviol
ínycaj
a-bi
gote
•Gráfi
cosdemapasyr edes

MÓDULO 4:I
NTELI
GENCI
AARTI
FICI
AL-DEEPLEARNI
NGYMACHI
NELEARNI
NG

1
.Aprendizaj
eAut omáticoAvanz ado
•Aprendiz
ajepr ofundoyr edesneur onal
es
•Métodosavanz adosder egul
arizaciónyopt
imi
zaci
ón
•Análi
sisyselecci óndemodel os.

2.
Procesami entodeLenguajeNatural(PL
N)
•Técnicasdepr epr
ocesamientoparadat osdetext
o
•Model osdelenguajeyrepr
esentacióndepalabras
•Apli
cacionesdePL N,comoanáli
sisdesentimi
entosychat
bot
s.

3.
Procesami entodeI mágenesyVi siónporComput ador
a
•Técnicasdepr eprocesamient
opar adatosdei mágenes
•Model osdeclasif
icaciónydeteccióndeobj et
os
•Apli
cacionesdevi siónporcomput adora,comor econocimi
ent
ofaci
alyaut
omat
izaci
ónde
procesosindustr
iales.

4.
Aprendizaj
eporReforzami ento
•Conceptosbási
cosdeapr endizaj
eporr ef
uerzo
•Métodosavanzadosdepol íti
cadeapr endizaj
e
•Apl
icaci
onesdeapr endiz
aj eporrefuer
zo,comor obót
icayj
uegos.

www.
especi
ali
zaci
onesgl
obal
.net
DOCENTESGLOBAL
I
NG.
DAVI
DYACTAYOCASTAÑEDA

Pr
ofesi
onal
exper
toenCi
enci
adeDat
os

I
ngeni
ero Seni
orcon 1
5 añosen sect
orener
gét
ico.Exper
to en
oper
aci
onesde pl
ant
a,aut
omat
izaci
ón,model
ospr
edi
cti
vosy

manej
o de r
iesgos.L
íder en pr
oyect
os de mej
ora cont
inua,
i
ntegr
idad de duct
os y est
udi
os HAZOP.Exper
to en sof
twar
es

comoPYTHON,
SQLymás.

MGT.
CARL
OSADRI
ÁNAL
ARCÓNDEL
GADO

Pr
ofesi
onal
exper
toenCi
enci
adeDat
os

Magi
sterenI
ntel
i
genci
a Anal
í
tica deDat
osdel
a Uni
ver
sidad de

l
os Andes (
Col
ombi
a),MBA CENTRUM PUCP,especi
ali
zaci
ón en

Busi
nessAnal
yti
cseni
mper
ialCol
l
ageL
ondon,Dat
a Sci
ent
isten
Bel
cor
p,ment
ordeCREHANAenMi
croDegr
eeData&Anal
yti
cs,

Conf
underdeDat
alysi
sPer
ú,anal
i
stadei
ntel
i
genci
adenegoci
os
enl
aUni
ver
sidadUTPdel
Per
úyCOSAPI
.

MGT.GL
ADYSCHOQUEUL
LOA
Pr
ofesi
onal
exper
taenE
stadí
sti
cayAnál
i
sisdedat
os

MSc.
Est
adí
sti
ca,
exper
taenser
iesdet
iempo,
model
ospr
edi
cti
vos

yci
enci
a dedat
os.4+añosen anál
i
sisdedat
os,SQL
,R,Pyt
hon.

Ganador
adeconcur
sosMI
TyCl
ubesdeCi
enci
aBr
asi
l
.Becadaen
pr
ogr
amasdei
nvest
igaci
ónenMéxi
co,Col
ombi
a,Br
asi
l
,España,
EEUU.
Dir
ect
oradeDat
aSci
enceWomen.
.
BENEFI
CIOS:
SESI
ONESENVI
VO: ACCESOPOR12MESESALCAMPUS
Sesi
ones100%envi
voatr
avé
s EDUCATI
VO:
delapl
ataf
ormadi
git
al Alinscri
bir
seseleasi
gnar
áunusuari
oy
ZOOM. contraseñapar
aquepuedaaccederal
a
pl
ataformadurante1año.

NETWORKI
NG:
DOCENTESEXPERTOS: Amplíat
uredprofesi
onaldecontact
o,
Pl
anaDocent
edeampl
i
a conoceadif
erent
espersonasde
ex
peri
enci
a. di
sti
ntospaí
sesdeLat i
noaméri
cay
más.

METODOLOGÍ
AÁGI
LYDI
NÁMI
CA:
Cali
daddeenseñanz aquef aci
l
itar
áal BOLSALABORAL:
parti
cipantel
ogr
arelentendimient
o Acceso al
abol
sal
abor
aldeEscuel
a
yreforzarsuapr
endi
z aj
econcasos Global
prácti
cos.

SOBRELACERTI
FICACI
ÓN:
DENOMI
NACI
ÓN:
CERTI
FICADOGENERAL(
1):
•PROGRAMACIÓN,
CIENCI
ADEDATOSEI
NTELI
GENCI
A
ARTI
FICI
ALCONPYTHONYRSTUDIO

CERTI
FICADOSMÓDULARES(
5):
•FUNDAMENTOSDECIENCI
ADEDATOS
•CIENCI
ADEDATOSYPROGRAMACIÓNCONPYTHON
•CIENCI
ADEDATOSYPROGRAMACIÓNCONRSTUDI
O
•INTELI
GENCI
AARTI
FICI
AL-DEEPLEARNI
NGYMACHINE 1
20

LEARNI
NG

CERTI
FICADOGENERALCONUNTOTALDE120HORASACADÉMI
CASY5CERTI
FICADOSMÓDULARES

ALI
ADOSESTRATÉGI
COS

Col
egi
odeEc onomi
st
as Col
egi
odeI ngeni
eros Colegi
odeContador
es CámaradeComer
cio
DelCusco delPer
ú Públ
ic
osdelCusco DelCus
co
SI
GUENOS:
REDESSOCI
ALESDEESCUELA GLOBAL:

ht
tps:
//www.
especi
ali
zaci
onesgl
obal
.net
/

ht
tps:
//www.
facebook.
com /
prof
ile.
php?i
d=1
0006881
18881
70

ht
tps:
//www.
inst
agr
am .
com /
especi
ali
zaci
onesescuel
agl
obal
/

ht
tps:
//www.
tikt
ok.
com /
@ esp.
escuel
agl
obal

ht
tps:
//www.
yout
ube.
com /
@ Especi
ali
zaci
onesEscuel
aGl
obal

ht
tps:
//pe.
li
nkedi
n.com /
in/
especi
ali
zaci
ones-escuel
a-gl
obal
-0a0768273