THE

Utiliza los datos para tomar

mejores decisiones de
negocios. Sácale el máximo
partido a Big Data con un

MIT
curso online de 8 semanas
de MIT.

WAY
DATA SCIENCE Y BIG
DATA: DECISIONES
BASADAS EN DATOS

Copyright © Massachusetts Institute of Technology 2021 1

 THE MIT WAY ¿Podrías utilizar tus datos de manera más efectiva?

En los últimos años se han generado el 90 % de los

datos que manejamos. Frente a esta abrumadora
cantidad de datos, las empresas luchan por extraer los
conocimientos que necesitan para tomar decisiones de
negocios más inteligentes. Con el propósito de ayudar
a revelar el verdadero valor de los datos, el Institute for
Data, Systems, and Society (IDSS) de MIT ha creado el
curso online Data Science y Big Data: Decisiones basadas
en Datos para profesionales de la ciencia de datos que
buscan aprovechar los datos de manera innovadora.

Durante 8 semanas, llevarás tu capacidad para el análisis

de datos al siguiente nivel a medida que aprendes
la teoría y la práctica subyacente a los sistemas de
recomendación, las regresiones, los modelos de red
y gráficos, la detección de anomalías, las pruebas de
hipótesis, el machine learning y el análisis de big data.

A QUIÉN VA DIRIGIDO

Entre los antiguos

Profesionales en
estudiantes ha habido:
cualquier etapa de su
analistas de inteligencia
carrera que buscan Fanáticos de la
empresarial, consultores
convertir grandes ciencia de datos y
de gestión, mánager
conjuntos de datos profesionales de TI.
técnicos, mánager de
en información que
negocios, mánager de
se pueda procesar.
ciencia de datos.

Copyright © Massachusetts Institute of Technology 2021 2

 Duración Tiempo de Formato CEU
dedicación
8 semanas 5-7 horas por Online 1,8
semana

DESPUÉS DE ESTE CURSO PODRÁS:

√ Aplicar técnicas de ciencia de datos para enfrentar el

reto que supone la gestión de datos en la empresa.

√ Determinar la diferencia entre modelos gráficos y

modelos de red.

√ Convertir conjuntos de datos en modelos mediante

el análisis predictivo.

√ Implementar algoritmos de machine learning para

mejorar a la hora de tomar decisiones de negocios.

√ Dominar las mejores prácticas para el diseño de

experimentos y las pruebas de hipótesis.

√ Identificar y evitar los errores comunes en el análisis

de Big Data.

Copyright © Massachusetts Institute of Technology 2021 3

 CALENDARIO DEL CURSO

SEMANA 1 Módulo 1: Dar sentido a datos no estructurados

FACULTY LEADS: Cuestionario inicial obligatorio no evaluable

Stefanie Jegelka y Tamara (Completa este cuestionario para ver el contenido del curso).
Broderick
Introducción

Agrupamiento (Tamara Broderick)

Estudios de caso:

• Estudio de caso 1: Códigos genéticos

• Estudio de caso 2: Encontrar temas en la descripción del
proyecto

Actividades evaluables:

Completar la actividad del módulo 1.1

(Fecha de entrega: al final del curso)

Agrupamiento espectral, componentes e inserciones

(Stefanie Jegelka)

Estudios de caso:
• Estudio de caso 3: ACP: Identificación de caras
• Estudio de caso 4: Agrupamiento espectral: agrupación de
noticias

Actividades evaluables:

Completar la actividad del módulo 1.2

(Fecha de entrega: al final del curso)

Copyright © Massachusetts Institute of Technology 2021 4

 SEMANA 2 y 3 Módulo 2: Regresión y predicción

FACULTY LEADS: Regresiones y extensiones lineales y no lineales clásicas

Victor Chernuzkov
Estudios de caso:
• Estudio de caso 1: Predecir salarios 1
• Estudio de caso 2: Brecha salarial de género

Regresión moderna con datos de alta dimensión

Estudio de caso:
• Estudio de caso 3: ¿Crecen los países pobres más
rápido que los países ricos?

El uso de la regresión moderna para la inferencia causal

Pruebas controladas aleatorizadas

Estudios observacionales con factores de confusión

Estudios de caso:
• Estudio de caso 4: Predecir salarios 2
• Estudio de caso 5: El efecto de la posesión de armas
en las tasas de homicidio

Actividades evaluables:
Completar la actividad del módulo 2
(Fecha de entrega: al final del curso)

Módulo 3.1
SEMANA 4
Clasificación y verificación de hipótesis

FACULTY LEADS: Clasificación y verificación de hipótesis

David Gamarnik &
Jonathan Kelner Estudio de caso:
Caso de estudio 1: Regresión logística: Accidente del
Challenger

Actividades evaluables:
Completar la actividad del módulo 3.1 (Fecha de entrega:
al final del curso)

Copyright © Massachusetts Institute of Technology 2021 5

 SEMANA 5 Módulo 3.2 Deep learning

FACULTY LEADS: Estudio de caso:

Víctor Chernuzkov Estudio de caso 2: Límite de decisión de una red neuronal
profunda

Actividades evaluables:
Completar la actividad del módulo 3.2 (Fecha de entrega:
al final del curso)

SEMANA 6 Módulo 4 Sistemas de recomendación

FACULTY LEADS: Recomendaciones y ranking

Devavrat Shah y
Phillipe Rigollet Filtrado colaborativo

Estudios de caso:
• Estudio de caso 1: Recomendar películas (Evaluable)
• Estudio de caso 2: Recomendar canciones nuevas a
usuarios en función de lo que suelen escuchar
• Estudio de caso 3: Hacer recomendaciones de nuevos
productos

Conclusión:
• Pautas sobre el sistema de construcción
• Observaciones y desafíos finales

Actividades evaluables:
• Completar la actividad del módulo 4
(Fecha de entrega: al final del curso)
• Estudio de caso evaluable: Resolución y envío
• Estudio de caso evaluable: Revisión y envío del trabajo
de tres compañeros
• Resolución y envío de tu estudio de caso
(Fecha de entrega: el domingo por la noche al final de
la semana)
• Revisión y envío del trabajo de tu compañero
(Fecha de entrega: la noche siguiente)

Copyright © Massachusetts Institute of Technology 2021 6

 SEMANA 7 Módulo 5: Networking y modelos en grafo

FACULTY LEADS: Introducción

Caroline Uhler y Guy Bresler
Redes

Modelos en grafo

Estudios de caso:
• Estudio de caso 1: Navegación/GPS
• 1.1 Filtro de Kalman: Seguimiento de la posición 2D de un
objeto cuando se mueve a velocidad constante
• 1.2 Filtro de Kalman: Seguimiento de la posición 3D de un
objeto que cae debido a la gravedad
• Estudio de caso 2: Identificar nuevos genes que causan autismo

Actividades evaluables:
Completar la actividad del módulo 5
(Fecha de entrega: al final del curso)

SEMANA 8 MÓDULO 6: Análisis predictivo

FACULTY LEADS: Modelado predictivo para datos temporales

Kalyan Veeramachaneni
Ingeniería de factores

Estudios de caso:
• Estudio de caso 1: NYC Taxi (Evaluable)
• Estudio de caso 2: Conjunto de datos de minoristas del Reino
Unido

Actividades evaluables:
Completar TODAS las actividades (Fecha de entrega: al final del
curso)

Estudio de caso evaluable:

• Resolución y envío de tu estudio de caso
(Fecha de entrega: el domingo por la noche al final de la
semana)
• Revisión y envío del trabajo de tu compañero
(Fecha de entrega: la noche siguiente)

Actividades obligatorias:
Completar el cuestionario final
(Fecha de entrega: último día del curso)

Certificado del curso:

Obtener el certificado del curso de MIT y 1,8 MIT CEU (Descárguelo
desde su interfaz. Se emitirá el día posterior a la finalización del
curso)

Acceso al curso:
Acceso durante 3 meses después de la finalización del curso

España +34 679 492 128

Copyright © Massachusetts Institute of Technology 2021

[email protected] 7
spanish.xpro.mit.edu