Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

La clase en vivo tiene por objetivo profundizar sobre los contenidos del curso, así como aterrizar algunas de las metodologías y conceptos expuestos aplicándolos a situaciones reales. Se espera que esta clase permita a los alumnos complementar el aprendizaje de las clases online y resolver las dudas que pudieran surgir durante el desarrollo del curso.

A lo largo del curso, los alumnos realizarán un trabajo grupal que consiste en proponer un proyecto de implementación de IA en su organización que esté alineado con la estrategia. Deberán identificar el problema que la IA ayudará a resolver, aplicarán el Canvas IA para analizar las predicciones y decisiones que se mejorarán con el proyecto, evaluarán la disponibilidad de datos que necesita el algoritmo, debatirán sobre los riesgos o potenciales consecuencias negativas del proyecto, analizarán cómo la estructura organizacional se verá afectada por esta implementación, y estimarán los efectos en el corto, mediano y largo plazo. El trabajo estará organizado en varias etapas, diseñadas para realizarse de manera transversal e integrada al curso.

• ¿Qué es IA? Definiciones: IA, ML, DL, etc.
• Tipos de IA
• Big data

• ¿Qué son las predicciones?
• Efecto del menor costo en la capacidad predictiva
• Efecto de mejores predicciones
• ¿Prediciendo el juicio humano?

• ¿Cómo tomamos decisiones?
• ¿Qué nos aporta la IA en la toma de decisiones?
• ¿Humanos y máquinas juntos?

• Aumento en el volumen de datos
• ¿Qué se entiende por big data?
• ¿Por qué los datos son el nuevo petróleo?
• ¿Qué tan crítico es el big data en la estrategia?

• Aumentando la competitividad de los negocios con IA
• Construyendo estrategia con IA
• Aplicaciones de IA en distintas áreas de la organización

• Riesgos asociados a la IA
• ¿Cuándo llegará la IA superinteligente?
• Una mirada general a la IA en las industrias
• Aporte de la IA en la sociedad: construyendo un futuro mejor

• 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

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

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

• 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

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

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

• 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

• 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 de riesgo
• Modelando la incertidumbre con datos históricos
• Modelos probabilísticos y técnicas estadísticas
• Modelos predictivos con inteligencia artificial
• Evaluación de modelos predictivos

• Métodos de optimización
• Valor de la simulación
• Análisis de sensibilidad
• Recomendaciones para la toma de decisiones (e.j., pricing)

• Métodos de recolección de datos (e.j., encuestas, redes sociales)
• A/B Testing
• Métodos de pronósticos
• Análisis de regresiones
• Modelos de optimización
• Modelos de simulación

• Modelando el comportamiento de las personas
• Determinando tendencias futuras de consumo y actuando sobre ellas
• Aplicaciones actuales de BA (e.j., retail, e-commerce, finanzas, medicina y logística, entre otras)
• Consideraciones éticas y regulatorias
• El futuro de BA