Home>Cursos>Business Intelligence>Online>Diplomatura en Business Intelligence - Online
 

Diplomatura en Business Intelligence - Online

()
Método: Online
Tipo: Cursos
Loading...

Solicita información sin compromiso
Universidad Tecnológica Nacional

Diplomatura en Business Intelligence - Online

Nombre
Apellidos
E-Mail
Provincia
Teléfono de Contacto
Teléfono Fijo Ej: 2 2388888
 
 
 
 
Mi teléfono es:
Fijo
Celular
Para enviar la solicitud debes aceptar la política de privacidad
* Campos obligatorios

En breve un responsable de Universidad Tecnológica Nacional, se pondrá en contacto contigo para informarte.
Por favor, rellena todos los campos correctamente
Imágenes de Universidad Tecnológica Nacional:
Universidad Tecnológica Nacional Ecuador Centro Foto
Universidad Tecnológica Nacional Ecuador Centro Foto
AnteriorAnterior
SiguienteSiguiente
Foto Centro Universidad Tecnológica Nacional Argentina
Universidad Tecnológica Nacional Ecuador Centro Foto
Diplomatura en Business Intelligence - Online Comentarios sobre Diplomatura en Business Intelligence - Online
Contenido:
Diplomatura en Business Intelligence.

Fecha de inicio: 13/06/2016
Duración: 3 meses
Carga horaria: 96 hs.
Precio: 542 Dólares Estadounidenses

Obtén las herramientas para aplicar Business Intelligence. Incorpora la inteligencia de negocios, clusters, datos para la toma de decisiones.

La importancia del Business Intelligence aumenta cada día más por la necesidad empresarial de mejorar las gestiones.

Desde los primeros sistemas de soporte a las decisiones (DSS), data warehouses y sistemas de información ejecutiva se persigue el uso de datos para facilitar la toma de decisiones.

La Inteligencia de Negocio o Business Intelligence (BI) es la capacidad de comprender las interrelaciones de los hechos presentados para orientar las acciones de la organización hacia una meta deseada.

Mediante las herramientas y técnicas de ETL (extraer, transformar y cargar) se extraen los datos de distintas fuentes y se depuran y preparan (homogeneización y limpieza) para una posterior carga en un repositorio de datos. A posteriori, la principal actividad de BI es la explotación de los datos de la mejor manera posible, creando información y soportando la toma de decisiones.

En esta Diplomatura se preparara a los participantes para trabajar eficazmente dentro del sector de BI. Durante las 12 semanas de la formación integral y completa los participantes se familiarizaran con las herramientas conceptuales más empleadas en el campo y adquirirán criterios sobre su correcta aplicabilidad.

La formación comprende también los conceptos más avanzados en la especialidad, como ser los temas de Redes Neuronales, Algoritmos genéticos, Text Mining, Speach to Text y BIG Data.

Se trabaja también en mostrar cómo operan las principales herramientas comerciales (sistemas de información)también las de uso libre.

Objetivo general
:

Que los participantes
:
Aprendan a aplicar las herramientas conceptuales del oficio de BI a problemas simples e interpreten razonablemente los resultados obtenidos, así como estén en condiciones de utilizar las herramientas comerciales de mayor difusión en el mercado para implementar soluciones en las organizaciones.

Objetivos específicos:

Que los participantes:
  • Los fundamentos de la Inteligencia de Negocios.
  • Las técnicas de Investigación Avanzadas (Redes Neuronales – Algoritmos genéticos).
  • Las técnicas de Investigación Avanzadas (Speach to Text – Text Mining – Big Data)
Destinatarios:

El curso está dirigido a todos aquellos profesionales que quieran adquirir los fundamentos de la "Inteligencia de Negocios" (BI) ya sea para incorporarse en una posición de Analista de Business Intelligence como para mejorar sus posibilidades de crecimiento en este competitivo y creciente mercado.

Requisitos previos:

Es conveniente que los participantes tengan un manejo general de las herramientas básicas informáticas (ofimática, carpetas, archivos, etc) así como los conceptos básicos de estadística descriptiva y probabilidad.

Los participantes se beneficiarán de su experiencia previa en uno o más de los siguientes campos:
  •     Marketing
  •     Manejo de base de datos
  •     Programación
  •     Matemáticas
Ninguno de los conocimientos resulta, en principio, excluyente. La simultánea falta de experiencia en todos los campos mencionados hará más ardua al alumno la tarea de seguimiento del curso.

Metodología de enseñanza-aprendizaje:

Cada unidad temática comenzará con el planteo de un problema de negocios. Los alumnos leerán el problema antes de que se habiliten los contenidos teóricos. La idea es motivar a los alumnos para que las soluciones que se presenten caigan en un contexto en el cual se puede apreciar claramente el valor que agregan.

Tras la presentación de los contenidos teóricos se habilitará la solución al problema de negocios planteado de manera de plasmar concretamente como se realiza la aplicación de las herramientas.

A continuación se presentarán varios problemas similares ofreciendo en archivo separado las soluciones a cada problema de manera que los alumnos puedan elegir si consultan las soluciones o las desarrollan por sí mismos.

El foro se usará como el ámbito natural para la presentación de consultas y las correspondientes respuestas.

La bibliografía se presenta fundamentalmente para favorecer la ampliación de los conocimientos presentados. En principio los materiales confeccionados para el curso deberían contener toda la información necesaria para la solución de todos los problemas que se plantean.

La evaluación de cada unidad será mediante la dinámica de "multiple choice" y voluntaria.

Al finalizar el curso se habilitará un "multiple choice" integrador que permitirá evaluar los logros de los alumnos.

Modalidad Educativa:

La modalidad es totalmente mediada por tecnologías a través del Campus Virtual FRBA. Las actividades que se realizarán serán:
  • Foros de discusión semanal propuestos por el docente (un foro por unidad).
  • Consulta al docente a través de e-mail o chat.
  • Dictado de una clase en tiempo real mediante un Aula Virtual Sincrónica (AVS)
  • Material de lectura semanal y por unidad temática.
  • Actividades individuales y/o grupales de aplicación práctica semanal y por unidad temática.
  • Evaluaciones semanales y por unidad temática sobre la base de trabajos prácticos de aplicación de los conocimientos adquiridos.
Se trata de una modalidad básicamente asincrónica con el complemento del AVS, que supera la instancia de autoestudio por la implementación de foros proactivos coordinados por el profesor-tutor y dictado de clases en tiempo real. Los foros cumplen cuatro funciones pedagógico-didácticas fundamentales: 1) Son el lugar para la presentación de las dudas, consultas y opiniones críticas de los alumnos; 2) Son el principal espacio para la generación de retroalimentación (feed back) entre profesores-tutores y alumnos y alumnos entre sí; 3) Es el lugar específico para la discusión, coordinada por el profesor-tutor, de todos los temas tratados en los módulos de la especialidad o curso y 4) Es el lugar para el aprendizaje entre pares de los alumnos. A su vez, el AVS permite complementar todas aquellas instancias pedagógico-didácticas que le señalan límites a la modalidad puramente asincrónica.

Modalidad de evaluación y acreditación
:

Tratándose de una modalidad mediada por tecnologías, la participación activa en los foros por parte de los alumnos, será una condición necesaria para su aprobación. Por lo tanto, para acreditar la aprobación de la especialidad o curso, los alumnos deberán rendir satisfactoriamente las evaluaciones que los profesores-tutores determinen como obligatorias y haber participado activamente en los foros. Finalmente deberá aprobarse un examen final  en la modalidad multiple choice.

Temario:

Módulo 1: Introducción y Fundamentos de la Inteligencia de Negocios
.
Unidad 1: Introducción.
  •     Introducción a la Inteligencia de Negocios
  •     Niveles a los que opera la inteligencia de negocios
  •     Introducción a Data Warehouse
  •     Introducción a Data Mining
  •     Introducción a Knowledge Discovery
  •     Introducción a Herramientas OLAP y Tableros de comando
Unidad 2: Tests básicos.
  •     Repaso de conceptos de probabilidad y estadística
  •     Test de Hipótesis
  •     Correlaciones
Unidad 3: Regresiones.
  •     Regresión Lineal
  •     Regresión poli nómica
  •     regresión exponencial y logarítmica
  •     Regresión de dos variables
Unidad 4.
  •     Árboles
Módulo 2: Técnicas de Investigación Avanzadas – Redes Neuronales – Algoritmos genéticos.
Unidad 1: "Clusters".
  •     Planteo teóricoAlgoritmos conocidos y disponibles
  •     El problema de la interpretación
  •     Ejercicios prácticos
Unidad 2: Reglas de Asociación.
  •     Planteo teórico
  •     Algoritmos conocidos y disponibles
  •     Votación de modelos
  •     Ejercicios prácticos
Unidad 3: Redes Neuronales.
  •     El perceptrón
  •     Redes de múltiples capas
  •     Memorias fantasmas, capacidad de memoria y olvido de patrones
  •     Ejercicios prácticos
Unidad 4: Algoritmos genéticos.
  •     Planteo teórico, tipo de problemas en los que resultan interesantes.
  •     El problema de la convergencia
  •     Ejercicios prácticos
Módulo 3: Técnicas de Investigación Avanzadas 2 – Speach to Text – Text Mining –Big Data.
Unidad 1: Series temporales.
  •     Introducción y ejemplos
  •     Clasificación de las series temporales
  •     Objetivos del análisis de series temporales
  •     Componentes
  •     Análisis descriptivo:
        -Estimación de la tendencia
        -Estimación de la periodicidad
        -Desestacionalización

Unidad 2: Método de Simulación de Montecarlo.
  •     Descripción del método
  •     Cuando conviene utilizarlo
  •     El problema de la convergencia
  •     Ejercicios prácticos
Unidad 3: "Speach to text" y "Text Mining".
 - Conversión de voz a texto
  •         Introducción
  •         Algoritmos difundidos
  •         Medición del éxito
  •         Campos de aplicación
  •         Ejercicio con una herramienta abierta
- Minería de textos
  •         Introducción
  •         Algoritmos de extracción de datos
  •         Extracción de entidade
  •         Extracción de relaciones
  •         Extracción no supervisada
  •         Algoritmos de sumarización
  •         Algoritmos de clusttering
  •         Reducción de la dimensionalidad y construcción de semánticas
Unidad 4: "Big Data".
- ¿Qué es big data?
  •         Sistemas batch / Offline - Almacenamiento
  •         HDFS
  •         Flume
  •         Sqoop
- Sistemas batch / Offline - Procesamiento
  •         Hadoop
  •         Map Reduce
  •         Hive
  •         Pig
- Sistemas batch / Offline - Analítica
  •         Data analytics y machine learning con R
- Sistemas real time / Near real time
  •         HBase
  •         Cassandra
  •         ElasticSearch
  •         Neo4j
  •         Storm
- Sistemas mixtos
  •         Hadoop+Cassandra
  •         Hadoop+HBase
  •         Hadoop+Solr
  •         Hadoop+Splout SQL
Examen final.

Certificación
:

A todos los participantes que hayan aprobado la diplomatura cumpliendo con todos los requisitos establecidos, se les extenderá un certificado de la Secretaría de Cultura y Extensión Universitaria, FRBA, UTN. Aquellos que aun habiendo participado activamente en los foros y realizado las actividades prácticas no cumplimentaran los requisitos de evaluación, recibirán un certificado de participación en la diplomatura.

Coordinador académico:

Ulises Martins (PMP® / ACP® / CSM®/ ITIL V3 Certified)

es Ingeniero en Sistemas de Información de la Universidad Tecnológica Nacional (UTN). Posee un Postgrado en Ingeniería en Calidad (UTN) y un Postgrado en Gestión Tecnológica (Universidad Austral), es miembro del PMI y posee las certificaciones “Project Management Professional’’ PMP, Agile Certified Practitioner ACP® e “ITIL V3 Foundation”.

Habiendo comenzado su carrera en 1996, trabajo en diversas posiciones, como soporte técnico en Hewlett Packard, como desarrollador de aplicaciones en Cablevisión/TCI, como responsable de IT en INTERPOL (OIPC), como consultor externo en temas de calidad y liderazgo para empresas privadas. Su experiencia laboral comprende más de 15 años trabajando en proyectos de IT para compañías como Accenture, Telefónica de Argentina, Banco Santander Rio, IBM, y Capgemini. Actualmente se desempeña como Gerente Regional de Programas en SAP.

Profesor titular: Ignacio Urteaga.

Completó la Licenciatura en Física en la UBA y trabajó en ese campo como investigador por cuatro años. Paulatinamente se fue reorientando a sistemas con foco en desarrollo de aplicaciones e inteligencia artificial.
Trabajó durante 8 años Emergencias SA en diferentes posiciones gerenciales participando de varios proyectos de desarrollo de software y de consultoría. Desarrollo un proceso de auto - aprendizaje supervisado para el sistema experto de clasificación telefónica de Emergencias Médicas. Este logro obtuvo un premio en EUNITE 2001 y fue objeto de un proceso de transferencia de "Know How" hacia SEMSA SA (gestor del sistema de emergencias de la Comunidad Autónoma de Catalunya)
Tras cumplir dos años como Gerente de Proyectos en una consultora especializada en la gestión de la tecnología en el ámbito público se independizó como consultor cubriendo temáticas de gestión de proyectos, gestión de la tecnología, emergencias públicas y análisis y gestión de proyectos.
En la actualidad se desempeña como Director de Business Intelligence en Sprayette SA, es profesor adjunto en el MBA en Dirección de Sistemas de Información de la Universidad del Salvador y en el Postgrado en Gestión de Proyectos de la UTN.

Alan Ini.
Es actuario. Tiene experiencia en administración del riesgo y en datamining para campañas de telemarketing. Va a estar participando en la temática de Big Data.

Alejandro Renato.

Es Doctor en Letras y se ha dedicado al análisis del lenguaje humano tanto hablado como escrito. Además es instructor de SAS y cuenta con una vasta experiencia como profesor en en FCEyN de la UBA y como investigador. Nos va a estar acompañando en las temáticas de minería de textos y de voz.

Judith Donayo.

Es Licenciada en Ciencias de la Computación y ha trabajado en inteligencia de negocios en los últimos 10 años y estará presente en las unidades 1.1 y 1.2

Diego García.

Además contaremos con la inestimable colaboración de Diego García que nos asistirá con las dificultades propias de instalaciones, virtualización, extracción de datos, etc.

Martin Vedani
.

Es un investigador con más de diez años de experiencia ejecutiva  en multinacionales en áreas y proyectos de Análisis de Mercados, Planificación Estratégica, Gestión de Operaciones e Integración de Negocios y Tecnología.
Actualmente cursando un Doctorado en Dirección de Empresas en la Universidad del CEMA, done también hizo su MBA y participó de un intercambio internacional con el programa de Maestría de Finanzas y Mercados Globales con la European Business School de Londres.
A nivel grado, Martín se graduado con honores en la Universidad de Carolina del Sur como Licenciado en Administración de Empresas. Como parte de su carrera de grado, Martín hizo Doble Grado: Economía Empresarial y Marketing con especialización en Ingeniería y Ciencia.

Bibliografía:

Libros y otros manuscritos
:
  • Mitchell, T.M. Machine Learning (McGraw-Hill, 1997)
  • Bernstein A., Provost F. and Hill S. "Towards Intelligent Assistance for a Data Mining Process: An Ontology-based Approach for Cost-sensitive Classification", IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 4, April 2005
  • Cannataro M & Comito C. A Data Mining Ontology for Grid Programming. In Proceedings of the 1st Grid Computing. Budapest, 20-24 May 2003
  • Fayyad, U., Piatetsky-Shiapiro, G., Smyth, P., & Uthurusamy, RAdvances in knowledge discovery and data mining. Menlo Park, CA: AAAI Press. . (1996).
  • Franco Jean Michel El Data Warehouse, El Data Mining. EDS Institut Prométhéus. Ed. F. Devolt (1998).
  • Han, J., & Kamber, M. Data mining: Concepts and techniques. Morgan Kaufmann. (2001)
  • Hernández Orallo et al. Introducción a la Minería de Datos. Pearson Educación. (2004)
  • Pyle D. Business Modeling and Data Mining. The Morgan Kaufmann Series in Data Management Systems. Morgan Kaufmann Publisher. (2003)
  • Zhou Z. Three perspectives of Data Mining. Artificial Intelligence. Elsevier Science B.V. (2003)
  • Trevor Hastie, Robert Tibshirani y Jerome Friedman. Springer, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction".
  • Christopher D. Manning, Prabhakar Raghavan y Hinrich Schütze, "Introduction to Information Retrieval".
  • Anand Rajaraman, Jure Leskovec y Jeffrey D. Ullman, "Mining of Massive Datasets".
Otra formación relacionada con Cursos de Business Intelligence: