Diplomado en Data-driven management: modelos y casos de negocio

El Diplomado en Data-driven management: modelos y casos de negocio busca ofrecer herramientas a quienes pretenden definir estrategias fundamentadas en el análisis de datos y diversas técnicas de modelamiento y optimación. A través de un enfoque práctico los participantes desarrollarán habilidades críticas para transformar datos en decisiones estratégicas efectivas.

Este programa tiene al menos un curso con cobertura de SENCE.

*Este mes comenzamos con un taller totalmente gratuito. Haz clic en Postulación / Inscripción y contacta a la ejecutiva de ventas indicada para recibir la información y asegurar tu cupo cuanto antes.

En un mundo cada vez más impulsado por datos, el análisis de información se ha convertido en una habilidad esencial para tomar decisiones estratégicas. Este diplomado ofrece una oportunidad invaluable para aquellos que desean gestionar con una base sólida de datos y análisis.

Los estudiantes desarrollarán habilidades críticas para transformar datos en decisiones estratégicas, aprendiendo a utilizar herramientas avanzadas de análisis de datos. A través de un enfoque práctico e interactivo, se fomentará la capacidad de identificar patrones y tendencias relevantes que impacten en las estrategias empresariales.

El contenido del diplomado incluye temas como la identificación de fuentes de información, la limpieza, análisis y visualización de datos y la toma de decisiones basadas en datos. Estos conocimientos permitirán a los participantes aplicar estas técnicas a casos reales de sus negocios.

Los cuatro cursos que forman el diplomado son en formato e-learning, el cual permite construir aprendizajes a partir de los aportes de los participantes y entrega flexibilidad en los horarios de estudio. Los participantes podrán interactuar con sus compañeros y tutores a través de mensajería y foros de discusión aplicados a las temáticas tratadas, incorporando sus distintas visiones y diversidad de experiencias, enriqueciendo la reflexión y la apropiación de los conceptos claves de estas temáticas.

From data to action: introduction to modeling and optimization

Docente(s): Rodrigo Carrasco

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso:

En este curso los alumnos aprenderán a utilizar herramientas de analítica prescriptiva para resolver problemas complejos y optimizar procesos de negocio. Tendrán la oportunidad de analizar datos y modelar escenarios que permitan tomar decisiones informadas, mejorando la eficiencia y efectividad en diversas áreas operativas.

Además, se familiarizarán con técnicas de modelamiento y optimización, aplicando conceptos matemáticos y algoritmos para desarrollar soluciones innovadoras. El curso brindará un enfoque práctico, mediante el uso de casos de estudio reales y ejercicios interactivos que facilitarán la comprensión y aplicación de los conocimientos adquiridos.

Resultados de aprendizaje:

• Representar problemas reales de decisión mediante modelos matemáticos, utilizando herramientas en Python y Excel para resolverlos.
• Identificar problemas que pueden ser representados con modelos lineales, resolviéndolos mediante el algoritmo Simplex.
• Producir modelos de decisión con variables binarias en diferentes contextos como logística, gestión de personas o asignación de recursos, resolviendo problemas reales.
• Identificar problemas que requieren modelos no lineales para representarlos, considerando su pertinencia y entendiendo las herramientas disponibles para resolverlos.
• Utilizar técnicas avanzadas de modelamiento y optimización para dar soluciones robustas y confiables a problemas complejos.
• Aplicar de manera integrada los conocimientos adquiridos para el desarrollo de un modelo de optimización basado en datos reales.

Contenidos:

• Introducción a la analítica prescriptiva y optimización
• La importancia de la analítica prescriptiva.
• Fundamentos de la optimización matemática.
• Proceso de análisis de problemas aplicados.
• Cómo transformar problemas reales en modelos matemáticos.
• Instalación y configuración de herramientas en Python.
• Optimizando lo lineal: modelos y aplicaciones prácticas
• Modelos lineales en acción.
• Cómo transformar problemas complejos en modelos lineales.
• Algoritmo Simplex y su relevancia.
• Dualidad y análisis de sensibilidad para decisiones estratégicas.
• Decisiones Sí o No: Modelos con variables binarias
• Modelado de decisiones binarias: hacer o no hacer.
• Aplicaciones clave en planificación y logística.
• Algoritmo Branch and Bound.
• Cómo resolver problemas reales con variables binarias.
• Más allá de lo lineal: modelos no Lineales y sus aplicaciones
• Cuando y por qué usar modelos no lineales.
• Cómo manejar las complejidades de la optimización no lineal.
• Modelos convexos y su importancia.
• Aplicaciones en finanzas y machine learning.
• Desafíos del mundo real: modelado y resolución de problemas complejos
• Técnicas avanzadas para modelar problemas complejos.
• Optimización estocástica y decisiones bajo incertidumbre.
• Optimización robusta: asegurando soluciones confiables.
• De la teoría a la práctica: proyecto integrador en optimización
• Aplicación de todo lo aprendido en un caso real.
• Desarrollo y presentación de un modelo de optimización.
• Evaluación y retroalimentación con datos reales.

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas.

• Aprendizaje autónomo asincrónico
• Clase expositiva
• Foro
• Estudio de caso

Estrategias Evaluativas:

• 6 controles individuales: (15%)
• 3 foros: (25%)
• 1 trabajo de aplicación final grupal: (30%)
• 1 examen final global individual: (30%)

Introduction to Data Mining and Machine Learning

Docente: Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso:

El curso comienza abordando la problemática de la obtención, preparación y limpieza de datos, para luego adentrarse en las técnicas y algoritmos asociados a la Minería de Datos, como clasificación, clustering, entre otros. Además, se exploran algoritmos, técnicas y herramientas de Machine Learning.

Los estudiantes de este curso adquirirán conocimientos fundamentales sobre Minería de Datos, comprendiendo las diversas fuentes de información a utilizar, revisando el preprocesamiento de datos y aplicando técnicas de extracción de conocimiento. Esto incluye el uso de reglas de asociación, árboles de decisión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, privilegiando la experimentación mediante herramientas y entornos que permiten ejecutar y analizar ejemplos preconfigurados. Los estudiantes modificarán parámetros, observarán los efectos de dichos cambios y reflexionarán sobre su impacto en la calidad del modelo y la extracción de conocimiento.

Al finalizar el curso, los estudiantes comprenderán los principios teóricos y prácticos que sustentan las principales técnicas utilizadas en la minería de datos y el aprendizaje de máquina, pudiendo analizar sus resultados, evaluar su aplicabilidad en distintos contextos y reconocer sus potencialidades y limitaciones sin necesidad de programar directamente los algoritmos.

El desarrollo de estos aprendizajes se realizará a través de estudios de casos, mini proyectos prácticos, y el acceso a recursos especializados, lo que permitirá a los estudiantes experimentar, analizar y aplicar directamente los conceptos adquiridos.

La metodología de enseñanza y aprendizaje para este curso en línea se basa en técnicas metodológicas activas, permitiendo que el participante interactúe con sus pares y el profesor-tutor a través de los recursos tecnológicos proporcionados por la plataforma educativa virtual destinada para el curso.

Resultados de aprendizaje:

• Reconocer las principales teorías y prácticas de la Minería de Datos.
• Identificar relaciones interesantes en un conjunto de transacciones mediante el uso de reglas de asociación.
• Distinguir técnicas como árboles de decisión, clustering y otras, aplicándolas en escenarios prácticos reales.
• Evaluar la calidad y pertinencia de los resultados obtenidos, reconociendo las potencialidades y limitaciones de cada técnica.

Contenidos:

• Introducción a Minería de Datos y conceptos sobre Data Warehouse
• Procesamiento, selección y transformación de datos.
• Reglas de asociación
• Clasificación
• Árbol de decisión
• KNN
• Random Forest
• Clustering
• K-Means
• Clustering jerárquico
• Introducción al Machine Learning
• Modelo de entrenamiento
• Métricas de evaluación

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas.

• Aprendizaje autónomo asincrónico
• Clase expositiva
• Foro
• Estudio de caso

Estrategias Evaluativas:

El curso cuenta con las siguientes actividades de evaluación:

• 3 controles individuales – 40%
• 3 mini proyectos individuales – 60%