python_slide1




Forecasting y Machine Learning

img1 (3)
img1 (1)
img1 (2)
img1 (4)

Curso Python desde Cero e Introducción a Data Science y Machine Learning

Clases Live Streaming

¡ Cupos Limitados !

Inicio 12 de octubre 2022

Horario

Lunes y Miércoles de 19:00 a 21:30 horas de Chile.

Curso de 25 horas divididas en 10 clases.

Precio Chile $200.000.- 

Precio desde otro País USD 235.-

Aprende a construir Modelos de Forecasting y Machine Learning

Revisa estos Modelos Implementados

Ver más Aplicaciones Python Machine Learning

Podrás ver otras aplicaciones de Python para Machine Learning y Ciencia de Datos. Además encontrarás App creadas con el framework Django que junto a Python permiten su implementación.

Python, Análisis de Datos, Machine Learning

Podemos aplicar Python a diversos temas laborales, entre estos encontramos las potentes herramientas para la construcción de modelos predictivos aplicados a los procesos de Forecast de muchas empresas.

Python tanto en las líneas de Machine Learning como de Time Series nos presentan numerosas herramientas para realizar nuestro trabajo de Forecast. Los modelos tienen diferentes orientaciones y usos, una de las diferenciaciones pueden los resultados que se esperan sean arrojados por el modelo, estos pueden ser:

De clasificación. Estos modelos utilizan valores pasados y realizarán predicciones de clasificación binaria, es decir cumple o no cumple, 1 o 0, entre otros. Ejemplos prácticos pueden ser la predicción de si un cliente abandona o no el servicio, es de riesgo o no, probabilidad de compra si o no, entre otros.

De regresión. En estos modelos utilizamos datos históricos para la predicción de valores continuos futuros, por ejemplo: precio, sueldo, edad, etc. Podemos incorporar múltiples variables independientes para la predicción de la variable dependiente.

Como podemos ver, tanto los modelos de clasificación como de regresión utilizan datos pasados para sus predicciones y a su vez, son considerados algoritmos de aprendizaje supervisado. La diferencia es el tipo de problemas para los que son utilizados, los modelos regresivos son para predecir los valores continuos como precio, sueldo, edad, etc. y los algoritmos de clasificación se utilizan para predecir / clasificar los valores discretos como Masculino o Femenino, Verdadero o Falso, Spam o no spam, etc.

Los modelos de Time Series tradicionales son desde sus inicios del tipo regresivos y se utilizan para predecir en base a datos pasados, valores futuros continuos como precio, ventas, temperaturas, utilización, entre otros. Estos modelos en su mayoría son del tipo univariantes, por lo tanto, a partir de una variable independiente, para el caso representada por el tiempo, se tiene por objetivo predecir una variable dependiente tal como podría ser ventas, precios, temperaturas, entre otros.

Muchas veces necesitaremos mejorar nuestros Forecast preparados con Time Series, dependiendo del modelo que utilicemos podremos incorporar por ejemplo fechas de eventos especiales que afecten nuestra predicción, por ejemplo, muchas empresas de retail tienen marcadas diferencias en sus ventas en fechas de navidad y otras fechas especiales. Para estos casos hay modelos que permiten incorporar estos eventos. Además, también encontraremos opciones de incorporar otras series para ayudar al modelo a predecir la tendencia futura de nuestra variable target, por ejemplo, para empresas automotrices probablemente junto a las fechas, también tengan implicancias en sus ventas la tasa de desempleo del país y/o el tipo de cambio peso dólar y/o plazos de entrega, entre otras variables propias de cada tipo de negocio. En resumen, junto a las fechas, podemos mejorar nuestros Forecast incorporando fechas de eventos específicos que afectan el resultado, otras series con implicancias en los resultados tales como tasa desempleo, IPC, tipo de cambio entre otros.

  • Descripción
    Este curso comienza desde cero, su primer módulo será una introducción a Python, sus estructuras de datos, de control, de decisión, funciones y otros. A continuación se abordarán tópicos del análisis de datos en el framework Jupyter Notebook en donde se trabajará con las principales librerías de Python para el manejo de datos, entre estas Pandas, Numpy, Matplotlib, entre otras. Los siguientes módulos 3 y 4 estarán dedicados a una introducción a Machine Learning y Series de tiempo. Se abordarán modelos de clasificación y regresión por el lado de ML y por el lado TS se abordarán modelos univariados. El módulo 5 y final estará destinado a nociones básicas de despliegue, de modo de poder implementar aplicaciones de datos en la web.

    Las clases serán online transmitidas en vivo con participación dinámica, preguntas y respuestas instantáneas, similar a una clase presencial, pero con el respaldo grabado de la clase con sus contenidos y preguntas.

    El curso se hará en ambiente Windows.

  • A quién está dirigido
    Personas que trabajen con datos y requieran construir modelos predictivos con Python.
  • Pre requisitos
    Parte desde cero.
  • Metodología
    La metodología considera clases online transmitidas en vivo, participativas y dinámicas con preguntas y respuestas al instante, tareas y proyectos guiados. Las clases serán grabadas y estarán disponibles para los estudiantes, así como también la documentación del curso.  Se mezclan los conceptos teóricos con ejercicios prácticos generales de modo de hacer lo más familiar posible el programa y sus potenciales aplicaciones reales tanto al mundo laboral como estudiantil. El diploma del curso se otorga a los estudiantes que realicen y aprueben el curso.
  • Dónde se harán las clases?
    Clases online transmitidas en vivo. El objetivo es trabajar en un ambiente de aprendizaje similar a una clase presencial pero con la garantía de tener la clase grabada con todas las preguntas y respuestas y documentación, disponibles en la web.
  • Forma de pago
    Tarjeta de crédito – débito – transferencia

Dudas sobre el curso?. Escríbenos!

Contenidos Tentativos

Sesiones online en vivo

Módulo 1: Instalación e introducción a las estructuras de datos

Detalle

  • Instalación de Python
  • Visualización en Idle o visualizador
  • Tipos de datos en Python
  • Principales bibliotecas

Módulo 1: Introducción a las estructuras de control

Detalle

  • Introducción a las estructuras condicionales
  • Introducción a los ciclos iterativos
  • Introducción a las estructuras de datos
  • Ejercicios

Módulo 1: Funciones e introducción a POO

Detalle

  • Módulos
  • Definición de POO programación orientada a objetos
  • Concepto de funciones
  • Concepto de clases
  • Ejercicios

Módulo 2: Fundamentos de la Ciencia de Datos

Detalle

  • Presentación y Fundamentos de la Ciencia de Datos
  • Configuración del ambiente de desarrollo
  • Jupyter Notebooks
  • Ejemplo de trabajo de un DataSet
  • Uso de GitHub
  • Módulo: Numpy
  • Tarea 1

Módulo 2: Módulo CSV, Request, APIs y Webscraping

Detalle

  • Módulo CSV
  • Trabajando con archivos CSV
  • Módulo Requests y Consumo de APIs
  • Trabajando con archivos JSON
  • Ejemplo: Webscapring
  • Tarea 2

Módulo 2: Módulo Pandas y visualización de datos

Detalle

  • Módulo Pandas
  • Ejercicios
  • Visualización de datos en Python
  • Generación aleatoria de datos
  • Ejercicios
  • Tarea 3

Módulo 2: Proyectos guiados

Detalle

  • Bibliotecas de Datasets
  • Generar un Portafolio
  • Actividad Guiada
  • Entrega de lineamientos para proyecto final Módulos 1 y 2

Módulo 2: Proyectos guiados

Detalle

  • Proyecto guiado
  • Tratamiento de dudas Desarrollo proyecto final Módulos 1 y 2

Módulo 3: Introducción a Machine Learning

Detalle

  • Introducción a Machine Learning
  • Modelos regresivos
  • Modelos de clasificación
  • Aplicaciones

Módulo 4: Introducción Time Series y Forecasting

Detalle

  • Introducción Time Series con Python
  • Modelos univariables
  • Modelos univariables con ajustes de parámetros
  • Aplicaciones
  • Líneamientos proyecto final

Equipo Facilitador

Jefe Programa

Cristian Saavedra. Ingeniero Industrial MBA. 15 años de experiencia profesional en importantes empresas nacionales e internacionales. Participación en proyectos de abastecimiento y TI.

Facilitadores

Juan Ávila. Ingeniero Informático con 13 años de experiencia profesional. Participación en proyectos TI de diversas complejidades. Dominio de varios lenguajes de programación.

Georgina Garrido. Ingeniero Informático con 15 años de experiencia profesional. Participación en proyectos TI para la banca y retail.

Gonzalo Fernández. Estudiante Ingeniería Civil Informática. Programador full stack, Profesor y Ayudante Universitario. 10 años de experiencia.