WIXLIB

7 Cursos y Certificaciones del Área de Big DataCurso Introducción a Big Data, Machine Learning yData Mining en el Desarrollo de AplicacionesDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Conocer que son Big Data, Machine Learning yData Mining. Identificar los puntos en común y las diferenciasque tienen las tres perspectivas e integrarlasen un solo marco conceptual para apalancar lacompetitividad de su empresa Identificar las herramientas propias de cadaenfoque y la utilidad de dichas herramientas. Encontrar oportunidades de utilizar el Big Data,Machine Learning y Data Mining en el contextode su propio negocio.B. Estructura Curricular¿Qué es (y que no es) Big Data? Las 4 V’s. Características del Big Data. Almacenamiento de datos. Soluciones en la Nube. Hadoop. Spark.Machine Learning Definiciones. Tipos de problemas. Clasificación: Regresión. Redes Neuronales.Árboles de Decisión y Regresión. Máquinas deSoporte Vectorial. Métodos de Ensamble. Segmentación: K-medias. Clustering jerárquico. Respuesta Incremental. Sistemas de Recomendación. Minería de Texto. Web Mining.Data Mining Definiciones. Relaciones entre Data Mining, visualización,Business Intelligence, Analítica.Casos de Éxito Presentación de casos exitosos de negociosen los cuales el Big Data, Machine Learning oData Mining les ha proporcionado una ventajacompetitiva.C. Público Objetivo y Prerrequisitos Profesionales interesados en comprender queson el Big Data, Machine Learning y Data Miningasí como sus posibilidades de aplicación en elentorno de los negocios.Prerrequisitos: Para el desarrollo del curso es necesario que losalumnos lleven su computadora personal.D. Duración y HorariosEl curso tiene una duración de 8 horas cronológicas.Las clases se desarrollarán de forma presencial enla ciudad de Lima (Perú), en un fin de semana en elsiguiente horario: Viernes: De 19:00 horas a 23:00 horas. Sábado: De 09:00 horas a 13:00.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificado emitido por BSG Institute.

8 Cursos y Certificaciones del Área de Big DataCurso Procesos Estándares CRISP-DM en elDesarrollo de Aplicaciones Big DataDuración: 1 Fin de semanaA. Objetivos del CursoC. Público Objetivo y PrerrequisitosAl finalizar el curso el participante estará en lacapacidad de:El Curso Procesos Estándares CRISP-DM en elDesarrollo de Aplicaciones Big Data está dirigidoa personas con formación en Ingeniería o áreasafines con responsabilidad o interés en laplaneación y control de proyectos de Analítica deBig Data. Reconocer las ventajas de trabajar con unenfoque metodológico sistemático los proyectosde analítica de Big Data. Identificar los elementos requeridos para eldesarrollo de cada etapa de CRISP-DM para eldesarrollo de proyectos de Big Data.Prerrequisitos: Conocer las metodologidas generales en eldesarrollo de modelos analíticos.Conocimientos en estadistica básica (probabilisticae inferencial) y cálculo.B. Estructura CurricularD. Duración y HorariosMetodología CRISP DMEl curso tiene una duración de 8 horas cronológicas.Las clases se desarrollarán de forma presencial enla ciudad de Lima (Perú), en un fin de semana en elsiguiente horario: Fundamentos y Conceptos básicos. Metodología CRISP-DM, ConceptosFundamentales y Etapas.Etapas de la metodología CRISP DM Sábado: De 15:00 a 19:00 horas. Preparación de Datos Mecanismos para eltratamiento de datos (limpieza, transformación,etc.): Imputación de valores perdidos,transformación de variables, tratamiento deatípicos, etc. Domingo: De 09:00 a 13:00 horas.E. Certificación Modelamiento: Mecanismos para modelado dedatos. Modelos para variables tipo intervalo ydiscretas. Mecanismos de selección de modelos. Certificado emitido por BSG Institute. Evaluación: Estudio del performance del modeloen una base OOT y OOS. Otros mecanismos paraevaluación de modelos. Seguimiento Continuode Modelos (Calibración y reestructuración demodelos) Despliegue: Puesta en producción del modelo ycierre de proyectos.Los participantes que completen exitosamente elcurso, recibirán la siguiente certificación:

9 Cursos y Certificaciones del Área de Big DataCurso Estadística y Probabilidadespara Machine LearningDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Identificar el proceso de cálculo de unaprobabilidad en eventos. Aplicar la Distribución Normal para el cálculo deprobabilidades. Estimar características de una población. Inferir a partir de una muestra o dos muestrasresultados para una población o dos poblaciones. Utilizar el programa estadístico R.B. Estructura CurricularIntroducción al R y RStudio El papel de la incertidumbre en el análisis dedatos y la toma de decisiones. Introducción al R y RStudio.Cálculo de Probabilidades Probabilidades: axiomas y propiedades.Probabilidad condicional. Probabilidad total.Teorema de Bayes. Variables aleatorias discretas y continuas. Función de probabilidad y función de distribuciónacumulada: caso discreto. Función de densidad y función de distribuciónacumulada: caso continuo. Valor esperado y varianza.Modelos de Probabilidad e Inferencia Estadística Distribución Binomial. Poisson. Distribución Normal: estandarización, obtenciónde percentiles y cuantiles. Distribuciones derivadas de la normal. Distribución del promedio bajo normalidad. Teorema Central del Límite. Estimación puntual y por intervalos en una y dospoblaciones.Contrastes de Hipótesis Pruebas de hipótesis: Error Tipo I y Tipo II.Potencia y Significancia de una prueba. Pruebas de hipótesis en una y dos poblaciones. Instrucciones necesarias para realizar los análisisen el programa estadístico R.C. Público Objetivo y Prerrequisitos El Curso Estadística y Probabilidades paraMachine Learning está dirigido a profesionalesque deseen adquirir conocimientos básicos deprobabilidad y estadística para el análisis dedatos.Prerrequisitos: Es recomendable que el participante tengaaptitudes hacia la matemática.D. Duración y HorariosEn la modalidad Online usted tiene 2 meses paracompletar el curso. Los contenidos comprenden 16horas cronológicas. Usted tiene dos opciones paravisualizar el curso: Opción 1: Visualización del curso en línea(conectado a Internet). Opción 2: Visualización del curso descargado enun dispositivo móvil.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificación por haber aprobado el curso:“Estadística y Probabilidades para MachineLearning” emitida por BSG Institute.

10 Cursos y Certificaciones del Área de Big DataCurso Machine Learning: Procesamiento,Análisis y Visualización de DatosDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Aprender a manipular diferentes tipos de datos. Buscar patrones mediante la visualización. Comprender elementos claves de visualización. Interpretar métodos gráficos. Utilizar el programa estadístico R.B. Estructura CurricularIntroducción al procesamiento de datos Base de datos relacionales. Manipulación de datos. Gestión de datos.Introducción a la teoría y aplicaciones de métodosde visualización Motivación El análisis gráfico como forma de explorar ycomunicar Definición matemática de gráfico Principios de representación gráfica R: Parámetros gráficos R: Notación matemática R: Introducción al paquete ggplot2.Visualización de datos continuos Estimador del histograma. Boxplot. Estimador de kernel. Density plot. Violin plot.Visualización de datos categóricos Ejemplos de datos categóricos. Mosaic plot.Visualización y comparación de poblaciones QQ-plot . Curva ROC. Kolmogorov-Smirnov plot.Visualización de datos continuos bivariados Scatterplot y suavizador del Scatterplot Reducción de dimensión a través decomponentes principales. Biplot.Visualización de datos espaciales Correlación espacial. Density maps.C. Público Objetivo y PrerrequisitosEl Curso Machine Learning: Procesamiento,Análisis y Visualización de Datos está dirigido aprofesionales que deseen adquirir conocimientosbásicos de procesamiento, análisis y visualizaciónde datos.Prerrequisitos: Es recomendable que el participante poseaaptitudes hacia la matemática.D. Duración y HorariosEn la modalidad Presencial el Curso MachineLearning: Procesamiento, Análisis y Visualizaciónde Datos se desarrolla en el siguiente horario (*):En Lima con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas. Domingo: 09:00 a 13:00 horas.En Bogotá con una frecuencia Mensual: Viernes: 18:00 a 22:00 horas. Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.En Santa Cruz con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas. Domingo: 09:00 a 13:00 horas.(*)Para más detalle sobre fechas y horarios solicitesu cronograma de alumnos.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificación por haber aprobado el curso:“Machine Learning: Procesamiento, Análisis yVisualización de Datos” emitida por BSG Institute

11 Cursos y Certificaciones del Área de Big DataCurso Big Data con HadoopDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Presentar una herramienta de uso práctico en lasactividades de análisis de datos. Conocer las herramientas que envuelven elecosistema de Hadoop fundamentales paramanipular y dearrollar proyectos de Big Data. Identificar posibles proyectos que retribuya ensus trabajos o manera personal.B. Estructura CurricularEcosistema Hadoop El stack básico de Hadoop. Modulos del framework-basic the Apache. Hadoop Zoo. Hadoop Ecosystem Major Components.HDFS Hadoop Distributed File System yMapReduce Arquitectura y Configuración de HDFS. Desempeño utilización de HDFS. Introducción al MapReduce. Ejemplos y principios.Sqoop y Hive Introducción a Sqoop. Cargar Datos con Sqoop. Introducción a Hive. Arquitectura, componentes y comandos de Hive.Flume y Spark Introducción a Flume y como utilizar Flume. Introducción a Apache Spark. Datasets distribuidos resilientes. Análisis de datos con Spark.C. Público Objetivo y Prerrequisitos El Curso Big Data con Hadoop está dirigido acualquier persona que quiera aprender sobre BigData y el manejo de sus herramientas, tanto paranegocio, como para satisfacción personal.Prerrequisitos:Conocimientos básicos en Virtualización, lenguajesde programación y bases de datos.D. Duración y HorariosEn la modalidad Presencial el Curso Big Data conHadoop se desarrolla en el siguiente horario (*):En Lima con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas. Domingo: 09:00 a 13:00 horas.En Bogotá con una frecuencia Mensual: Viernes: 18:00 a 22:00 horas. Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.En Santa Cruz con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas. Domingo: 09:00 a 13:00 horas.(*)Para más detalle sobre fechas y horarios solicitesu cronograma de alumnos.En la modalidad Online usted tiene 2 meses paracompletar el curso. Los contenidos comprenden 16horas cronológicas. Usted tiene dos opciones paravisualizar el curso: Opción 1: Visualización del curso en línea(conectado a Internet). Opción 2: Visualización del curso descargado enun dispositivo móvil.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificado emitido por BSG Institute.

12 Cursos y Certificaciones del Área de Big DataCurso Machine Learning:Desarrollo de Modelos PredictivosDuración: 4 MesesA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Identificar adecuadamente los modelos a utilizarpara responder a preguntas de negocio. Diferenciar los métodos y técnicas a sudisposición para modelar problemas de negocio. Identificar los supuestos necesarios para poderaplicar un modelo específico en una situaciónconcreta de negocio. Construir y desarrollar los modelos a partir de unconjunto de datos particular. Seleccionar el mejor modelo a aplicar en cadacaso.B. Estructura CurricularIntroducción A La Minería De Datos Contextualización. Algunos ejemplos. Tipos de problemas en minería: mineríasupervisada, minería no supervisada, predicción. Estructura de los Datos para Análisis (Tidy Data). Preparación de los datos. Tipos de datos. Poblamiento y manejo de Datos Ausentes.Análisis Exploratorio De Datos Estadísticas. Gráficas. Selección de Atributos. Reducción de Atributos: PCA.El Problema De Clasificación Definición. Objetivo de los Modelos. Matrices de Confusión. Métodos elementales. Métodos básicos. Métodos avanzados. Métodos de ensamble Validación y Selección de Modelos deClasificación.Métodos De Agrupamiento (Clustering) K-Means. DBSCAN. Agrupamiento Jerárquico. Agrupamiento Difuso. Reglas de Asociación.Otros Temas De Minería (Introducción) Sistemas de Recomendación. Minería de Texto. Web Mining.C. Público Objetivo y Prerrequisitos El Curso Machine Learning: Desarrollo de ModelosPredictivos está dirigido a profesionales coninterés y habilidades en la conceptualización deproblemas de negocio y su formulación mediantetécnicas matemáticas o estadísticas.Prerrequisitos: Es recomendable que el participante poseaconocimiento en Probabilidad y EstadísticaBásica, Cálculo y Algebra Lineal.D. Duración y HorariosEn la modalidad Presencial el Curso MachineLearning: Desarrollo de Modelos Predictivos sedesarrolla en el siguiente horario (*):En Lima con una frecuencia Mensual: Sábado: 14:30 a 18:30 horas.En Bogotá con una frecuencia Quincenal: Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.En Santa Cruz con una frecuencia Mensual: Sábado: 14:30 a 18:30 horas.(*)Para más detalle sobre fechas y horarios solicitesu cronograma de alumnos.En la modalidad Online los contenidos comprenden56 horas cronológicas. Usted tiene dos opcionespara visualizar el curso: Opción 1: Visualización del curso en línea(conectado a Internet). Opción 2: Visualización del curso descargado enun dispositivo móvil.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificación por haber aprobado el curso:“Machine Learning: Desarrollo de ModelosPredictivos” emitida por BSG Institute.

13 Cursos y Certificaciones del Área de Big DataCurso Machine Learning:Implementación de Modelos PredictivosDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Producir modelos predictivos que puedan serutilizados e implementados en sistemas desoftware. Explorar las diferentes opciones y tecnologíasdisponibles para la implementación de losmodelos predictivos. Dar ejemplos concretos de evaluación denecesidades; evaluación de requerimientos;implementación en producción y gestión demodelos predictivos.B. Estructura CurricularRepaso de conceptos fundamentales de AnalíticaPredictiva Tipos de modelos predictivos. Modelos y algoritmos principales. Evaluación de modelos.Aspectos a considerar previos a la implementaciónde modelos Modelos predictivos en el contexto de losprocesos de negocios. Identificación de los requerimientos para laimplementación del modelo. Validación del modelo aplicado al proceso denegocios.Implementación de modelos predictivos enplataformas Cloud Computing Implementación local de un modelo predictivo:Jupyter Notebook, línea de comando. Tecnologías para el despliegue como unaaplicación web Despliegue con Microsoft Azure. Otros servicios de Cloud Computing para eldespliegue de modelos. Soporte durante la implementación del modeloen producción.Caso práctico y evaluación: implementación de unmodelo predictivo Caso práctico de producción, evaluación eimplementación de un modelo predictivo.C. Público Objetivo y PrerrequisitosEl Curso Machine Learning: Implementación deModelos Predictivos está dirigido a ingenieros desoftware, miembros de equipos de Inteligencia deNegocios, Marketing Directo, gestión de campañascomerciales, equipo CRM, Inteligencia comercial,Inteligencia de Clientes, ejecutivos de banca, retaily telecomunicaciones.Prerrequisitos: Conocimientos de Python. Conocimiento y comprensión de conceptosestadísticos básicos. Conocimiento sobre la creación y utilización demodelos predictivos.D. Duración y HorariosEn la modalidad Presencial el Curso MachineLearning: Implementación de Modelos Predictivosse desarrolla en el siguiente horario (*):En Lima con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 horas.En Bogotá con una frecuencia Quincenal: Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.En Santa Cruz con una frecuencia Mensual: Viernes: 19:00 a 23:00 horas. Sábado: 09:00 a 13:00 horas.(*)Para más detalle sobre fechas y horarios solicitesu cronograma de alumnos.En la modalidad Online usted tiene 1 mes paracompletar el curso. Los contenidos comprenden 8horas cronológicas. Usted tiene dos opciones paravisualizar el curso: Opción 1: Visualización del curso en línea(conectado a Internet). Opción 2: Visualización del curso descargado enun dispositivo móvil.E. CertificaciónLos participantes que completen exitosamente elcurso, recibirán la siguiente certificación: Certificación por haber aprobado el curso:“Machine Learning Implementacion de ModelosPredictivos” emitida por BSG Institute.

14 Cursos y Certificaciones del Área de Big DataCurso Machine Learning:Presentación de resultadosDuración: 1 Fin de semanaA. Objetivos del CursoAl finalizar el curso el participante estará en lacapacidad de: Revisar los principios generales de una buenapresentación. Entender la importancia del contexto del análisisy la audiencia a quien se le presenta el análisis. Aprender las buenas prácticas en visualizacióne infografías y utilizar las visualizacionesadecuadas de acuerdo con las ideas que se deseacomunicar. Dirigir la atención de la audiencia hacia las ideasmás importantes en el proceso del análisis dedatos y aprender a contar una historia con losdatos y resultados del análisis.B. Estructura CurricularResumen de los principios de una presentaciónefectiva Principios generales de una presentaciónefectiva. Conociendo el contexto y la audiencia. Elementos

Curso Oficial IBM: Introduction to IBM SPSS Modeler and Data Mining Curso de preparación para la certificación Tableau Qualified Associate Curso Desarrollo de Aplicaciones Big Data con Hadoop Curso Desarrollo de Aplicaciones Big Data con R Curso Desarrollo de Aplicaciones Big Data con Python Curso Big Data con MongoDB, Hadoop y Spark