Avalado por la Caribbean International University y la Universidad Central de Venezuela Master in Data Mining and Business Analytics DiplomadosOnline.com Formando profesionales capaces de manejar las técnicas avanzadas de análisis de datos y la estadística aplicada, así como su implementación en diferentes tecnologías y su implicación en el análisis de datos
DiplomadosOnline.com a un click de tu alcance... Nuestros diplomados tienen como objeto ampliar, actualizar y fortalecer las competencias prácticas Formación y especializadas a tu en la alcance formación de cada estudiante. DiplomadosOnline.com, comprometidos con el desarrollo de tu perfil profesional. DiplomadosOnline.com fundamenta su estrategia académica en el novedoso método de Píldoras de Conocimiento (Knowledge Pills) y clases en línea centradas en el estudiante. DiplomadosOnline.com, formación a tu alcance. Nuestros facilitadores utilizan diferentes estrategias para el desarrollo del pensamiento crítico, promoviendo experiencias de aprendizaje. El seguimiento de cada estudiante es constante, con el objeto de acompañar y sostener el éxito del proceso. DiplomadosOnline.com, un método para aprender haciendo.
Fundamentación A nivel mundial, a diario se generan 2.5 trillones de bytes de información; tanto es así que el 90% de los datos en el mundo se han creado sólo en los últimos 2 años. Esa información proviene de todos lados: sensores que recogen información climática, publicaciones en las redes sociales, imágenes y vídeos digitales, registros de compra y transacciones y señales de GPS de los móviles, entre otros. En 2020, habrá al menos 26 billones de dispositivos inteligentes en hogares y oficinas. Ellos proporcionarán datos segundo a segundo y generarán miles de terabytes al día, pasando de los 4,4 Zettabytes de la actualidad a más de 44. Este gran volumen de información se conoce como Big Data, y es a partir de su nacimiento que se hace necesaria la formación de un profesional que lo conozca y aproveche: el Científico de Datos. La revista Harvard Business Review publicó que: El trabajo del científico de datos es el más atractivo del siglo 21. Estos profesionales altamente codiciados combinan el conocimiento del negocio, las tecnologías de Big Data, y las habilidades de analítica avanzada para mejorar la toma de decisiones y el rendimiento de cualquier organización. Los científicos de datos descubren información procesable que impulsa la innovación. El avance de las nuevas tecnologías y el desarrollo del Big Data requieren de profesionales con habilidades en numerosos campos: informática, matemáticas, estadística y negocios. El programa Master in Data Mining and Business Analytics imparte y desarrolla los conocimientos y las habilidades necesarias para manejar las técnicas avanzadas de análisis de datos, la estadística aplicada y su implementación en diferentes tecnologías (R, WEKA, Python); así como una introducción al Big Data y su implicación en el análisis de datos, utilizando las técnicas más avanzadas de Machine Learning y Deep Learning. Acelere su carrera y domine las áreas clave necesarias para el éxito en Data Mining y Business Analytics. Conviértase en un profesional internacional que pueda impulsar la innovación en cualquier organización. Duración: 6 Trimestres / 2 Años Título otorgado: Master in Data Mining and Business Analytics
MASTER IN DATA MINING AND BUSINESS ANALYTICS TRIMESTRE I - DIPLOMADO EN ANÁLISIS ESTADÍSTICO CRÉDITOS l Análisis descriptivo y Teoría de Probabilidad 2 Estadísticas Inferencial y Análisis Lineal de Datos 2 Análisis Mulitivariado 2 - DIPLOMADO EN BUSINESS INTELLIGENCE Data Management 2 Business Intelligence: Tecnologías, Metodologías y Arquitecturas 2 Desarrollo de Soluciones de Business Intelligence 2 TALLER DE SUFICIENCIA DEL IDIOMA INGLES I S/N TRIMESTRE II - DIPLOMADO EN DATA MINING Data Mining 2 los Métodos Descriptivos 2 los Métodos Prescriptivos 2 - DIPLOMADO ANÁLITICA AVANZADA Calibración y Selección de Métodos en Data Mining 2 Análisis de Series de Tiempo y Forecasting 2 Machine Learning 2 TALLER DEL TRABAJO DE GRADO 2 TALLER DE SUFICIENCIA DEL IDIOMA INGLES II S/N TRIMESTRE III - DIPLOMADO EN BIG DATA Big Data y proyecto Hadoop 2 la programación MapReduce 2 las Bases de datos NoSQL 2 - DIPLOMADO ELECTIVO (*) 6 TRABAJO DE GRADO / DEFENSA 2 TOTAL CRÉDITOS 40 (*) Materias electivas: los estudiantes podrán elegir cualquiera de los siguientes programas ofertados por DiplomadosOnline.com y cursarlo como electiva. Auditoria de Sistemas Desarrollo de Soluciones Web Desarrollo de Soluciones Móviles Diseño y Desarrollo de Bases de Datos Gestión de Procesos de Negocio (BPM) Gestión de Proyectos de TI Gestión de Relaciones con el Cliente (CRM) Indicadores de Gestión Empresarial Marketing Digital y Redes Sociales Planificación de Recursos Empresariales (ERP). Taller Trabajo Grado > Inscripción para el Trabajo de Grado Para obtener el título de Master in Data Mining and Business Analytics, debe presentar y defender el Trabajo de Grado. Antes de ello, deberá cursar la asignatura Taller de Trabajo de Grado (TTG) y luego inscribir el Trabajo de Grado.
DIPLOMADO EN ANÁLISIS ESTADÍSTICO Módulo 1 l Análisis Estadistico Tema 1: Introducción a la programación estadística con R Tema 2: Análisis Descriptivos Tema 3: Teoría de probabilidad Módulo 2 Estadísticas Inferencial, Análisis Lineal de Datos Tema 4: estadistica inferencial Tema 5: Análisis lineal de datos Módulo 3 Tema 6: Análisis multivariado Conceptos de métodos multivariados estadísticos. Análisis Factorial Análisis en componentes principales Análisis de correspondencias Análisis de conglomerados Análisis discriminante
BUSINNES INTELLIGENCE Fundamentos del Modelado de Bases de Datos Relacionales (BDR) Tema 1 Los sistemas de información en las organizaciones Data Management Tema 2 Módulo 1 Bases de datos relacionales (BDR) Patrones para el desarrollo de BDR Diseño y modelado de BDR Construcción de BDR Manipulación de BDR Fundamentos de lenguaje de estructurado de consulta (SQL) DDL DML la Inteligencia de Negocios (BI) Tema 3 Definiciones de BI Historia de BI Usuarios de BI Componentes de un sistema BI Aportes de BI Tema 4 Plataforma de BI Características BI Componentes BI Arquitectura BI Tema 5 Módulo 2 Metodología para el desarrollo de sistemas de BI Enfoque top-down Enfoque bottom-up Kimball Lifecycle (KLC) Desarrollo de Soluciones Analíticas Tema 6 Módulo 3 Presentación del Caso de Estudio Fase I: Evaluación y definición del proyecto Fase II: Evaluación de análisis y requerimientos Fase III: Diseño arquitectónico y dimensional Fase IV: Desarrollo de BD, ETL y Cubos Fase V: Pruebas y despliegue
Data Mining Módulo 1 Módulo 2 Módulo 3 Minería de Datos Tema 1 Definiciones básicas Áreas de aplicación y ejemplos Metodologías y estándares Proceso KDD Metodología CRISP-DM Características de los datos Fuentes de datos Caja de herramientas Tema 2 Introducción al lenguaje R Generación de números aleatorios Programación vectorial e indexación lógica Familia de funciones applay Computación paralela y distribuida Visualización de los datos Conexión con bases de datos y otras fuentes Persistencia de datos y modelos Estructuras de datos grandes Selección de atributos Preprocesamiento y limpieza Problema de la dimensionalidad Extracción de características Fundamentos de los Métodos Descriptivos Tema 3 Análisis exploratorio de datos Mapa de correlaciones Modelos estadísticos Bondad de ajuste Análisis de Componentes Principales (PCA) Plano principal Relación entre variables Calidad de la representación Reducción de la dimensionalidad con el PCA. Identificación de conglomerados La Inercia y el teorema de Fisher Cálculo de la distancia Estimación del número de grupos Arboles de Clasificación Jerárquica Método de nubes dinámicas con K-medias. Paralelizando el método de K-medias Fundamentos de los Métodos Predictivos Tema 4 Definiciones de clasificación Problema de separabilidad Uso de funciones Kernel Entrenamiento y testing Medidas de calidad Eficiencia Cálculo de errores Matriz de confusión Curvas ROC Tema 5 Métodos de clasificación. Análisis discriminante Análisis discriminante cuadrático Método Bayesiano ingenuo Regresión logística Método de K-vecinos más cercanos Máquinas de Soporte Vectorial (SVM) Arboles de decisión Bosques aleatorios Redes neuronales Evaluación de los métodos Problemas del uso de conjuntos de entrenamiento y testing Sobreajuste o especialización Validación cruzada
DIPLOMADO EN ANÁLITICA AVANZADA Módulo 1 Aprendizaje no supervisado Calibración y Selección de Métodos en Minería de Datos Aprendizaje Supervisado Clustering Análisis en componentes principales Método de K-Vecinos Método de Bayes Máquinas de soporte vectorial Árboles de decisión Bagging Boosting Redes neurales Validación cruzada (cross validation) Remuestreo (bootstrapping) Calibración y selección de modelos Módulo 2 Análisis de Series de Tiempo Justificación Definición Ejemplos Pruebas Componentes Forecasting Despliegue visual de series de tiempo Errores, precisión y sesgo del Forecasting Usando líneas de tendencias en forecasting Modelado de crecimiento exponencial y tasa compuesta de crecimiento anual ( CAGR ) Estacionalidad y método de medias móviles Forecasting con múltiples regresiones Módulo 3 Regresión lineal con una variable Álgebra Lineal Regresión lineal con múltiples variables Regresión logística Regularización Redes Neuronales: Representación Redes neuronales: Aprendizaje Consejos para la Aplicación de la máquina de aprendizaje Diseño de Sistemas de Máquinas de Aprendizaje MACHINE LEARNING Máquinas de Soporte Vectorial Aprendizaje no supervisado Reducción de dimensionalidad Detección de anomalías Sistemas de Recomendación Máquina de aprendizaje de gran escala
Big Data Módulo 1 Módulo 2 Módulo 3 Fundamentos de Big Data y el proyecto Hadoop Tema 1 Definiciones básicas Historia del Big Data Areas de aplicación Introducción al Proyecto Hadoop Almacenamento distribuido (HDFS) Procesamento distribuido ü ü (MapReduce) Arquitectura Hadoop El ecosistema Hadoop y las herraminetas de: Coordinación Integración Análisis Almacenamiento Cloud Computing la Programación MapReduce Tema 2 la computación paralela y distribuida El paradigma MapReduce Algunos ejemplos básicos Consultas y cruces de datos usando MapReduce Implementación de algorimos de análisisde datos con MapReduce Agrupamientos o clustering Regresión lineal Clasificación: Regresión Logística Vecinos más cercanos P Sistemas de recomendación Gerarquización con el método PageRank l Text- Mining y el Web-Mining l análisis de redes sociales las Bases de datos NoSQL Tema 3 Introducción a las bases de datos NoSQL NoSQL o no solo SQL Fundamento de las bases de datos orientadas a columnas Tipos de bases de datos NoSQL Tipo clave-valor P Orientadas a documento Bases de datos de grafos HBASE MongoDB Escalando bases de datos NoSQL en plataformas Hadoop Formulación, diseño y ejecución de un proyecto de Minería de Datos
Dirigido a Objetivo Profesionales que desarrollan su actividad en: Business Intelligence. Dirección General. Planificación y estrategia. IT e informática. Áreas funcionales: marketing, ventas, finanzas, operaciones, RRHH. Consultoras de negocio, procesos, otros afines. Economía Digital. Estadísticas. Econometría. Experto en Análisis de Datos. Expertos en Investigación Social y de Mercados Otros afines. El Master in Data Mining and Business Analytics tiene como objetivo principal formar profesionales capaces de concebir, diseñar, gestionar y liderar proyectos en el área de Business Analytics. Por tal motivo, al finalizar el Master, los participantes estarán en capacidad de: Desarrollar la función del Business Intelligence. Manejar y gestionar datos: Datawarehouse y Big Data. Ejecutar el análisis estratégico y la planificación estratégica. Generar Cuadros de Mando Integral (BSC) y reporting. Gestionar, de forma técnica, los proyectos y equipos de trabajo en Business Intelligence y Big Data. Diseñar campañas de Marketing Digital, Social Media y Movilidad, vinculadas a Sistemas de Información.
Requisitos Perfil del Egresado Para postularse a este programa, es necesario: Tener al menos un grado académico equivalente o mayor a la licenciatura en alguna de las siguientes áreas: Matemáticas; Administración y Dirección de Empresas; Comercio; Economía; Econometría; Estadística; Sociología; Análisis de Negocios; Marketing; Finanzas; Control de Gestión; RRHH; Detección y Mitigación del Fraude; otras afines. Tener estudios o experiencia en Análisis de la Información. Consignar Currículum Vitae. Algunas de las posiciones para las que se prepara en el área profesional son: Analista de mercado. Consultor de Negocios. Consultor de Business Intelligence. Gerente de mercadeo. Director de marketing. Director de Estudios cuantitativos en publicidad. Analista de Datos. Científico de datos. Analista de negocio. Investigador. Marketing Analyst. Analista de Venta. Fidelización de clientes. Consultor de Business Analyst.
Profesores Wilfredo Rangel Magister Scientiarum en Ciencias de la Computación, Universidad Central de Venezuela. Docente investigador, categoría Asistente, en Sistemas de Información, Escuela de Computación, Universidad Central de Venezuela. Paul Quijada Magíster Scientiarum en Modelos Aleatorios, Universidad Central de Venezuela. Área de Investigación: Modelos de Espacio de Estados Multivariados con algoritmos de filtrado y suavizado de Kalman. Richard Nieto Licenciado en Economía. Contador. Vicepresidente de Finanzas, ESVENCA. Vicepresidente de Planificación, 100% Banco. Director de Gestión Administrativa y Contable, Mi Casa Entidad de Ahorro y Préstamo. Especialista en planificación estratégica y desarrollo de Indicadores de Gestión Empresarial. José Sosa Licenciado en Computación, Universidad Central de Venezuela. Docente de Probabilidad y Estadística, Ciencia de Datos y Minería de datos, Universidad Central de Venezuela. Presidente del Centro Nacional de Tecnologías de Información (CNTI) José Maestre Licenciado en Administración, Mención Informática. Especialista en Bases de Datos. Profesional con basta experiencia en las áreas de Tecnologías de la Información e Implementación y Diseño de Big Data para telecomunicaciones.
Profesores Carlos Saritama Ingeniero en Sistemas. Especialista en Inteligencia de Negocios, utilizando herramientas de Open Source como Pentaho. Johan Natera Ingeniero en Sistemas. Especialista en Innovación Tecnológica. Especialista en Inteligencia de Negocios, utilizando herramientas de Open Source como Pentaho, Tableau, Qlik. Ronald Pietri Licenciado en Computación, Universidad Central de Venezuela. Profesor de Probabilidades y Estadística, Universidad Central de Venezuela. Director General de la Oficina de Estadísticas y Análisis Prospectivo, Ministerio del Poder Popular para la Educación Universitaria (MEU), Venezuela. Edgar Camargo Magíster Scientiarum en Automatización e Instrumentación. Doctor en Ciencias Aplicadas, Mención Automatización y Control. Analista Mayor de Control de Procesos de Gerencia AIT Corporativo, PDVSA. Eddre Peña Magíster Scientiarum en Modelos Aleatorios, Universidad Central de Venezuela. Área de Investigación: Aprendizaje Estadístico con Máquinas de Soporte Vectorial.