Diplomado en Predictibilidad y análisis de fenómenos estocásticos en Data Science.
Diplomado
Online
Descripción
-
Tipología
Diplomado
-
Metodología
Online
-
Horas lectivas
150h
-
Duración
6 Semanas
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
Las empresas generan gran cantidad de datos, aumentan exponencialmente cada año. En consecuencia, se dificulta la tarea de analizarlos y visualizarlos de manera correcta. Por esta razón, los ingenieros informáticos deben conocer las distintas herramientas y técnicas que se utilizan para analizar e interpretar los datos de una manera más eficiente, como las técnicas de regresión, los modelos predictivos de series temporales o métodos básicos de forecast. Con este programa se asentarán las bases representar e interpretar esta información.
Información importante
Documentación
- 224diplomado-predictibilidad-analisis-fenomenos-estocasticos-data-science-alr.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
Información relevante sobre el curso
Objetivos generales
Analizar los beneficios de la aplicación de técnicas de analítica del dato en cada departamento de la empresa
Desarrollar las bases para el conocimiento de las necesidades y aplicaciones de cada departamento
Generar conocimiento especializado para seleccionar la herramienta adecuada
Proponer técnicas y objetivos para ser lo más productivos posible según el departamento
Objetivos específicos
Analizar las Series Temporales
Desarrollar la formulación y las propiedades básicas de los modelos univariantes de series temporales
Examinar la metodología de modelización y predicción de series temporales reales
Determinar los modelos univariantes incluyendo atípicos
Aplicar modelos de regresión dinámica y aplicar la metodología de la construcción de dichos modelos a partir de series observadas
El conocimiento proporcionado en este programa ayudará a los ingenieros informáticos a generar conocimiento especializado sobre los modelos de series temporales, lo cual facilitará el analizar fenómenos estocásticos que se desarrollan con el paso del tiempo y entorpece el trabajo de una empresa. Para ello, TECH ha establecido los siguientes objetivos generales y específicos
Este Diplomado en Predictibilidad y análisis de fenómenos estocásticos en Data Science contiene el programa científico más completo y actualizado del mercado.
Tras la superación de la evaluación, el alumno recibirá por correo postal con acuse de recibo su correspondiente título de Diplomado emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Diplomado, y reunirá requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Diplomado en Predictibilidad y análisis de fenómenos estocásticos en Data Science
N.º Horas Oficiales: 150
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.
Opiniones
Materias
- Fundamentos
- Tipologías
- La serie temporal
- Predictibilidad
- Informática
Profesores
Arturo Peralta Martín-Palomino
Profesor
Temario
Módulo 1. Predictibilidad y Análisis de Fenómenos Estocásticos
1.1. Series de Tiempo
1.1.1. Series de tiempo
1.1.2. Utilidad y aplicabilidad
1.1.3. Casuística relacionada
1.2. La Serie temporal
1.2.1. Tendencia estacionalidad de ST
1.2.2. Variaciones típicas
1.2.3. Análisis de residuos
1.3. Tipologías
1.3.1. Estacionarias
1.3.2. No estacionarias
1.3.3. Transformaciones y ajustes
1.4. Esquemas para series temporales
1.4.1. Esquema (modelo) aditivo
1.4.2. Esquema (modelo) multiplicativo
1.4.3. Procedimientos para determinar el tipo de modelo
1.5. Métodos básicos de forecast
1.5.1. Media
1.5.2. Naïve
1.5.3. Naïve estacional
1.5.4. Comparación de métodos
1.6. Análisis de residuos
1.6.1. Autocorrelación
1.6.2. ACF de residuos
1.6.3. Test de correlación
1.7. Regresión en el contexto de series temporales
1.7.1. ANOVA
1.7.2. Fundamentos
1.7.3. Aplicación practica
1.8. Modelos predictivos de series temporales
1.8.1. ARIMA
1.8.2. Suavizado exponencial
1.9. Manipulación y análisis de series temporales con R
1.9.1. Preparación de los datos
1.9.2. Identificación de patrones
1.9.3. Análisis del modelo
1.9.4. Predicción
1.10. Análisis gráficos combinados con R
1.10.1. Situaciones habituales
1.10.2. Aplicación práctica para resolución de problemas sencillos
1.10.3. Aplicación práctica para resolución de problemas avanzados
Diplomado en Predictibilidad y análisis de fenómenos estocásticos en Data Science.