Ramón Luis Pizarro Romero – Latin Strategy Ltda.

Curso Introductorio en Analytics y Data Science para Ingenieros.

Objetivos del curso. Introducir al auditorio (ingenieros) en el estado del arte del tema Analytics y

Data Science. Para ello: 1) Repaso de las bases del análisis cuantitativo formal, 2) Discusión y

establecimiento de una metodología para la toma de decisiones informadas, y el proceso y roles en la

organización para la tarea Analytics, 3) Construcción de La Pregunta en Analytics, y aprendizaje de un

procedimiento para la búsqueda y exploración de respuestas, 3) Construcción de algunos modelos

analíticos-predictivos con paquetes varios disponibles en la plataforma R, 5) Motivación al auditorio, a partir

de 5 plataformas-ofertas web de alta calidad, para que emprenda un roadmap de auto-capacitación como

Data Scientist y/o Data Engineer.

NOTA: “R” es una de las dos plataformas-lenguaje líderes abiertas y free para Analytics (la otra es

Python). Ver: https://www.datacamp.com/community/tutorials/r-or-python-for-data-analysis#gs.1QRPFGA.

En “R” se pueden poner en producción aplicaciones de elevadas prestaciones; se puede también combinar

su uso con otras plataformas abiertas y free – de Big Data por ejemplo. Es mandatorio para el Data Scientist

y el Data Engineer conocer y dominar (en alguna medida) R o Python; mejor si ambos.

Programa – contenidos – intensidad (12 horas)

1. Técnicas y herramientas de descripción de DATA; tablas, gráficas, otros (2).

2. Probabilidad condicional – Teorema de Bayes: rendimiento e implicaciones para Analytics (1).

3. Incertidumbre, riesgo y recompensa: el caso de negocios de Analytics (2).

4. Algoritmos y paquetes analítico-predictivos varios: ejercicios con DATA real en R (6).

5. Un roadmap técnico de auto-capacitación para Data Scientist y Data Engineer (1).

Algunas de las temáticas que NO se incluyen en estas 12 horas, que tienen que ver con Analytics y

Data Science, que pueden ser objeto de próximos cursos:

1. Estadística inferencial: muestreo, teorema del límite central, NHST (Null Hypothesis Significance

Test), otros.

2. Algoritmos típicos para el modelamiento predictivo, o técnicas específicas para el análisis en

“verticales”: tareas-tipos de DATA específicos.

3. Técnicas varias de machine learning; experimentación virtual; simulación.

4. Construcción de Apps para visualización de análisis y modelos.

5. Software comercial de análisis, visualización, otros.

6. Infraestructura o software para Big Data (altos volúmenes – eventualmente en tiempo real - de

captura, análisis y procesamiento de DATA; ejemplo Hadoop Distributed File System (HDFS)).

7. Creación, captura, “limpieza” de DATA.

8. Programación en R.

9. Plataforma-lenguaje Python.