Diplomado en Data-driven management: modelos y casos de negocio

Introducción a la Inteligencia Artificial

• ¿Qué es IA? Definiciones: IA, ML, DL, etc.
• Orígenes de la IA.
• IA en tu empresa u organización.
• IA en la sociedad.
• Aplicaciones actuales y futuras.

Mejores predicciones

• Beneficios y costos de la capacidad predictiva.
• Efecto de la baja en costos.
• Nuevas aplicaciones de IA en los negocios.

Interacción entre IA y las personas

• Racionalidad en toma de decisiones.
• ¿Qué nos aporta la IA o algoritmos en la toma de decisiones?
• Estamos dispuestos a utilizar recomendaciones algorítmicas.
• Seremos reemplazados como trabajadores por máquinas.

El valor de los grandes volúmenes de datos (big data) como activo estratégico

• ¿Por qué los datos son el nuevo petróleo?
• Recomendaciones para gestionar grandes volúmenes de datos.
• Ejemplos de modelos de negocios exitosos.

Alineando la IA con la estrategia

• Modelos de negocios tradicionales.
• ¿Cómo la IA está cambiando los modelos de negocios?
• El caso de Amazon.
• El caso de Uber.

El futuro de la transformación digital

• ¿Cuándo llegará IA superinteligente?
• Beneficios de la IA superinteligente.
• Amenazas de la IA superinteligente.
• Nos veremos beneficiados o perjudicados por esta IA superinteligente.

De los datos a la acción: introducción a la analítica prescriptiva y optimización 

• La importancia de la analítica prescriptiva.  
• Fundamentos de la optimización matemática.  
• Proceso de análisis de problemas aplicados.  
• Cómo transformar problemas reales en modelos matemáticos. 
• Instalación y configuración de herramientas en Python.  

Optimizando lo lineal: modelos y aplicaciones prácticas

• Modelos lineales en acción.  
• Cómo transformar problemas complejos en modelos lineales. 
• Algoritmo Simplex y su relevancia.  
• Dualidad y análisis de sensibilidad para decisiones estratégicas.  

Decisiones Sí o No: Modelos con variables binarias

• Modelado de decisiones binarias: hacer o no hacer.  
• Aplicaciones clave en planificación y logística.  
• Cómo resolver problemas reales con variables binarias.  

Más allá de lo lineal: modelos no Lineales y sus aplicaciones

• Cuando y por qué usar modelos no lineales.  
• Cómo manejar las complejidades de la optimización no lineal.  
• Modelos convexos y su importancia.  
• Aplicaciones en finanzas y economía.  

Desafíos del mundo real: modelado y resolución de problemas complejos 

• Técnicas avanzadas para modelar problemas complejos.  
• Optimización estocástica y decisiones bajo incertidumbre. 
• Optimización robusta: asegurando soluciones confiables.  

De la teoría a la práctica: proyecto integrador en optimización

• Aplicación de todo lo aprendido en un caso real.  
• Desarrollo y presentación de un modelo de optimización.  
• Evaluación y retroalimentación con datos reales.  

Introducción a Business Analytics (BA)

• Qué es BA y sus orígenes
• Introducción al análisis descriptivo, predictivo, prescriptivo, y conductual
• Por qué es importante el BA para tu empresa u organización
• Aplicaciones actuales y futuras

Análisis descriptivo y gestión de datos

• El valor de los datos y relevancia del Big Data
• El rol de los datos en el análisis descriptivo de BA
• Visualización y exploración de datos (e.j., análisis de clusters)
• Describiendo y pronosticando eventos futuros

Análisis predictivo y manejo de incertidumbre

• Análisis de riesgo
• Modelando la incertidumbre con datos históricos
• Modelos probabilísticos y técnicas estadísticas
• Modelos predictivos con Inteligencia Artificial
• Evaluación de modelos predictivos

Análisis prescriptivo y recomendación de decisiones

• Métodos de optimización
• Valor de la simulación
• Análisis de sensibilidad
• Recomendaciones para la toma de decisiones 

Casos reales de aplicaciones de BA

• Métodos de recolección de datos
• A/B Testing
• Métodos de pronósticos
• Análisis de regresiones
• Modelos de optimización
• Modelos de simulación

Analítica conductual y el futuro de BA

• Modelando el comportamiento de las personas
• Determinando tendencias futuras de consumo y actuando sobre ellas
• Aplicaciones actuales de BA 
• Consideraciones éticas y regulatorias
• El futuro de BA

Conceptos sobre Data Warehouse y uso de Dataframes

Procesamiento y consolidación de datos

• Preprocesamiento de datos.
• Selección y transformación de datos.

Reglas de asociación

Aplicación de los algoritmos Random Forest y KNN

• Árbol de decisión.
• KNN.
• Random Forest.

Aplicación de los algoritmos K-Means y DBSCAN

• Clustering.
• K-Means.
• Clustering jerárquico.

Introducción al Machine Learning

• Modelo de entrenamiento.
• Métricas de evaluación.