1.er año
Abril - Junio
Introducción a big data y analítica de negocios
Al finalizar el curso, los estudiantes sabrán manejar y diferenciar los principales conceptos vinculados a la disciplina de analítica de big data. A saber, conocimiento de las fuentes de big data, principales tecnologías, perfiles y roles, metodologías de análisis e interpretación de datos y regulación de uso y protección de datos.
Estadística y métodos cuantitativos
Presentar los principales procedimientos estadísticos y econométricos utilizados en el análisis de temas financieros y en la toma de decisiones, como son: tablas de contingencia, análisis de varianza, regresión simple y múltiple.
Enfatiza en la presentación de los conceptos y en la aplicación práctica de los métodos y procedimientos.
Introducción a la programación para analítica
Al final del curso será capaz de:
- Utilizar los aspectos fundamentales del software R, manipulando datos en el mismo.
- Comprender nociones básicas de las simulación estadística, para poder evaluar la necesidad, momento y forma de aplicar la misma.
- Utilizar métodos y técnicas que le permitan representar de manera eficiente los datos para la toma de decisiones.
Innovación y transformación digital en modelos de negocio
Julio - Setiembre
Análisis de regresión
Al finalizar este curso, los estudiantes podrán seleccionar y aplicar a problemas reales distintos modelos de regresión. Se construye a partir de cursos anteriores de programación en R y métodos cuantitativos.
Fundamentos de modelos de datos y datamining
El estudiante podrá ser capaz de entender el proceso completo de extracción, transformación y carga de datos a través de una de las herramientas más utilizadas para el análisis de datos. El curso incluye el empleo de herramientas de programación en R y manejo de paquetes estadísticos para acercar la teoría a la práctica y permitir la aplicación a casos empíricos concretos.
Fundamentos de bases de datos
El estudiante deberá ser capaz de comprender los principios del diseño de bases de datos a nivel conceptual y lógico atravesando diversos modelos y tecnologías existentes.
Asimismo, adquirirá destrezas tanto en el uso de lenguajes de consulta como SQL.
Electiva 1
Las materias electivas se presentan a título de ejemplo y están sujetas a quorum mínimo.
- Analítica y métricas de marketing
- Analítica de operaciones y logística
- Simulación estratégica y analítica de marketing
- Analítica del consumidor
- Text mining y análisis de sentimientos
- Métodos cuantitativos para el riesgo financiero
- Big Data en inversiones
- Sistemas de recomendación
- Predicción de series temporales
Octubre - Diciembre
Machine learning no supervisado
El estudiante deberá ser capaz de entender problemas de aprendizaje estadístico no supervisados, especificar su estructura, desarrollar y aplicar algoritmos para su resolución y comprender sus diagnósticos. El curso incluye el empleo de herramientas de programación en R y manejo de paquetes estadísticos para acercar la teoría a la práctica y permitir la aplicación a casos empíricos concretos.