Desde la Secretaria Técnica del Sindicato CePETel convocamos a participar del siguiente curso de formación profesional:
Machine Learning y Modelos Predictivos en R
Clases: 8 de 3 horas c/u de 18:00 a 21:00 hs.
Días que se cursa: los días lunes 16, 23 y 30 de septiembre; 7, 14, 21 y 28 de octubre; y 4 de noviembre.
Modalidad: a distancia (requiere conectarse a la plataforma Zoom en los días y horarios indicados precedentemente).
Docentes: María Trinidad Aquino y Raúl Alejandro Grassi.
La capacitación es:
- Sin cargo para afiliados y su grupo familiar directo.
- Sin cargo para encuadrados con convenio CePETel.
- Con cargo al universo no contemplado en los anteriores.
Informes: enviar correo a tecnico@cepetel.org.ar
Inscripción (hasta el 12 de septiembre 18:00 hs): ingresar al formulario (se recomienda realizar el registro por medio de una cuenta de correo personal y no utilizar dispositivos de la empresa para acceder al link).
https://forms.gle/eftGRWjzJeVNpXZt9
Programa de contenidos por módulo:
| Módulo 1 Introducción a Machine Learning (ML) y modelos de predicciones | Repaso de los fundamentos de la programación en R.Introducción a Machine Learning.¿Qué es Machine Learning?¿Cuáles son las áreas de las empresas con mayor impacto de ML?Tipos de Aprendizaje automático.Aprendizaje Supervisado vs. No Supervisado.Introducción al Paquete Caret. TP: Cuestionario sobre Machine Learning |
| Módulo 2 Procesos de Predicción | Componentes del proceso de predicción.Caso Practico para entender el modelo predictivo.Componentes de los modelos de predicción y compensaciones en la predicción.Laboratorio: Tu primer modelo de predicción en RSobreajuste, errores de muestra en el modelado de Machine Learning en RDiseño de estudio para modelado predictivo con Machine LearningTipos de errores y cómo medirlosValidación cruzada en modelos de machine learningSelección de datos para modelos de aprendizaje automático (ML) TP: Caso Práctico de Proceso de Predicción |
| Módulo 3 Aprendizaje automático no Supervisado y análisis de clusters en R | Aprendizaje no supervisado y clustering: teoría.Agrupación jerárquica (Hierarchical Clustering): ejemplo.Hierarchical Clustering: práctica.Agrupación jerárquica: puntos de fusión.Mapas de calor (heat maps): teoría.Mapas de calor (heat maps): práctica.Ejemplo K-Means Clustering en R: práctica.K-means clustering: aplicación al marketing por correo electrónicoMapas de calor para visualizar resultados de K-Means en R: laboratorio de ejemploSeleccionar el número de clusters para métodos de clustering no supervisados (K-means)Cómo evaluar una tendencia de agrupamiento del conjunto de datos (Clustering Tendency of the Dataset)Evaluación del rendimiento del aprendizaje no supervisado (clustering) TP: Caso Práctico o Cuestionario |
| Módulo 4 Aprendizaje automático supervisado en R: Clasificación en R | Descripción general de la funcionalidad del paquete Caret R.Aprendizaje automático supervisado (ML) y KNN: descripción general.Práctica: Clasificación supervisada con el algoritmo K Nearest Neighbours algoritmo en R.Ejercicio de codificación 1: Classification with the KNN-algorithmTeoría: Matriz de confusiónPráctica: Cálculo de la precisión de clasificación para el modelo de regresión logística.Práctica: Curva característica de funcionamiento del receptor (ROC) y AUC. TP: Cuestionario sobre el aprendizaje automático supervisado (clasificación) |
| Módulo 5 Aprendizaje automático supervisado en R: Análisis de regresión lineal | Descripción general del análisis de regresión.Análisis gráfico de modelos de regresión.Práctica: su primer modelo de regresión lineal.Correlación en análisis de regresión en R: Práctica.Cómo saber si el modelo se ajusta mejor a sus datos: descripción general.Diagnósticos de regresión lineal.AIC y BIC.Evaluación del desempeño del modelo de predicción en aprendizaje supervisado: Regresión.Práctico: predecir con modelo de regresión lineal y RMSE como error en la muestraEvaluación del modelo de predicción con división de datos: RMSE fuera de muestra TP: Caso Práctico sobre el aprendizaje automático supervisado (regresión lineal) |
Acerca de los docentes
María Trinidad Aquino trabaja en Movistar desde 2007, actualmente en el puesto BI Analytics Senior en Big Data Reporting Solution.
Responsabilidades:
Interpretación de las necesidades del negocio para llevar al modelado dimensional de la compañía (Datawarehouse) con el objetivo de disponer de información al negocio B2C para el cumplimiento de sus OKR´s y KPI´s. Construcción del modelo teórico y lógico de cómo debería ser el modelado de los datos para su integración a lo actualmente disponible y que quede integrado, incluido evolución de modelos.
Interacción con diferentes clientes internos y usuarios para entender sus necesidades en la construcción de los datos, dando soporte y respuesta en un entorno dinámico, brindando soluciones tácticas y armando las iniciativas necesarias para mejorar el modelo dimensional actual en busca del self-service. (SQL, Teradata, Hadoop, Hive, Spark, Microstrategy, Power BI, procesos de ingestas, ETL y ELT; etc.).
Participación en mesas agiles multidisciplinarias para entender las necesidades del negocio y trasladarlo a la construcción de los datos con nuevos proyectos. Manejo de Metodologías agiles en diferentes roles.
Formación académica:
- 2020 – 2021 Licenciatura en Big Data – Especialista en Data Engineer – ITBA (Instituto Tecnológico de Buenos Aires)
- 1999 – 2003 Licenciada en Relaciones Públicas – UNLZ (Universidad Nacional de Lomas de Zamora)
Raúl Alejandro Grassi: trabaja en Movistar desde 1995, actualmente en el puesto de Analista Senior en Big Data Comercial.
Responsabilidades: Definición de inversiones anuales en capital (CapEx) en base a análisis de proyección comercial. Gestión de proyectos y seguimiento de inversiones. Diseño e implementación de modelos de aseguramiento de satisfacción de clientes. Planeamiento y ejecución de tableros de control y análisis del negocio basado en datawarehousing (heavy user) en los últimos 10 años, programando en SQL y modelado de datos. Análisis y Evaluación de acciones que impacten en cumplimiento de objetivos del Negocio B2C. Analista Senior BI, desarrollo en herramientas de explotación de BI (Microstrategy; Tibco Spotfire, Power BI, Tableau, etc.) y ecosistema Hadoop (Spark, Hive, SQL, procesos de ingestas ETL, ELT, etc.).
Se desempeñó durante 4 años en el sector Data Driven Comercial, promoviendo la cultura
Data Driven y desarrollando tableros de control predictivos y prescriptivos con herramientas de explotación basadas en modelos relacionales/dimensionales.
Experiencia al menos 7 años como líder de proyectos, Manejo de Metodologías Agiles en
posiciones como Stakeholder, Scrum Master y PO.
Formación académica:
- 2020-2021 Licenciatura en Big Data – especialista en Data Engineer – ITBA (Instituto Tecnológico de Buenos Aires)
- 1999 Posgrado en Gestión Gerencial Avanzada (Managemente Executive Program) Universidad Argentina de la Empresa (UADE)
- 1986-1992 Ingeniero Electrónico Universidad de Buenos Aires
María Trinidad Aquino y Raúl Alejandro Grassi dictaron de manera virtual y para el Sindicato CEPETel Big Data & Analytics – Parte 1 durante el año 2022, y durante el 2023 la Parte 2 de dicha formación y como así también el curso de Visualización y Analítica de datos con Power BI e Introducción a Bases de Datos y Programación SQL. Ambos docentes dictaron durante este año los cursos de Metodologías Ágiles y Scrum y Programación en R para análisis de datos para nuestra institución.
