Bootcamp: Analítica Predictiva con Python

Resultados de aprendizaje

  1. Preparar y transformar conjuntos de datos con Python (NumPy/Pandas) para su uso en modelos predictivos, bajo criterios de calidad y reproducibilidad. 

  1. Seleccionar, entrenar y ajustar modelos de regresión y clasificación con scikit-learn, aplicando validación adecuada según el tipo de problema. 

  1. Evaluar e interpretar el desempeño de modelos predictivos con métricas y técnicas de explicabilidad, para sustentar recomendaciones de decisión. 

  1. Construir un flujo de trabajo de analítica predictiva de punta a punta (EDA, features, modelo, evaluación y reporte), a partir de un caso aplicado. 

Descargar contenido del programa

Contáctanos

Contenido

Sección 1. Introducción y entorno de trabajo

  • Conceptos de analítica predictiva y flujo de trabajo. 
  • Configuración de Python en VSCode, Jupyter, GitHub. 

Sección 2. Exploración y preparación de datos

  • EDA: estadísticas y visualizaciones clave. 
  • Limpieza: nulos y outliers. 
  • Transformaciones: variables categóricas y escalamiento. 

Sección 3. Modelado supervisado

  • Modelos de clasificación y/o regresión según el caso. 
  • Partición de datos y validación cruzada. 
  • Métricas de evaluación (clasificación/regresión). 

Sección 4. Optimización e interpretabilidad

  • Ajuste de hiperparámetros (tuning) y selección del mejor modelo. 
  • Interpretación de resultados (importancia de variables). 

Sección 5. Proyecto integrador y cierre

  • Desarrollo de un caso aplicado con dataset real. 
  • Presentación de hallazgos y conclusiones. 
Inscripciones
 Políticas administrativas y descuentos
Reloj de pared

Duración

24 Horas

Modalidad

Modalidad

Presencial

Calendario

Fecha de inicio

Junio 27 de 2026

Horario

Horario

Sábados de 8:00 a.m. a 2:00 p.m.

Inversión

Inversión

$1400000 /

Nuesto equipo de

Profesores

Carlos Mario de Oro Aguado 

Matemático con maestrías en Matemáticas y en Estadística Aplicada, con experiencia como docente universitario y científico de datos. Me especializo en el análisis, transformación y visualización de datos, así como en el diseño, selección y validación de modelos estadísticos y de aprendizaje automático para resolver problemas reales con datos estructurados y no estructurados. Domino herramientas como Python, R, SQL, Matlab, 

Formación profesional 

  • Matemático, Universidad de Córdoba (Montería, Colombia).  

Formación de posgrado 

  • Maestría en Matemáticas, Universidad del Norte (Barranquilla, Colombia).  

  • Maestría en Estadística Aplicada, Universidad del Norte (Barranquilla, Colombia).  

Experiencia académica 

  • Profesor tiempo completo, Universidad del Norte (01/2019 – actualidad).  

  • Docente en pregrado (Ciencia de Datos) y posgrado (Maestría en Estadística Aplicada) en cursos como: teoría de probabilidad, estadística matemática, estadística computacional, machine learning y visualización de datos con R y Python. 

  • Coordinador de la Maestría en Estadística Aplicada (2022–2024). 

  • Docente catedrático previo en Uninorte (2015–2018).  

Descubre

Lo más reciente

Mantente al dia con nuestras novedades, eventos y logros, descubre como estamos marcando diferencia en Uninorte.

Políticas Administrativas

*Todos nuestros programas corresponden a educación no formal que no conducen a título alguno o certificado de aptitud ocupacional 

*El Centro de Educación Continuada se reserva el derecho de cancelar un programa o modificar del mismo lo siguiente: la fecha y horarios de realización, el valor de la inversión, los expertos facilitadores propuestos, los contenidos y el lugar donde se ofrecerá. Los programas se realizarán cuando se haya alcanzado un número establecido de participantes matriculados.

*En caso de que un programa se cancele por decisión de la Universidad, a los participantes matriculados que hayan realizado el pago hasta el momento, se les ofrecerá la posibilidad de conservar el pago como saldo a favor para participar en otro programa de Educación Continuada o se les devolverá la totalidad del valor de la matrícula.

*El certificado de asistencia se entrega a los participantes que acrediten mínimo el 80% de asistencia.

*Se considera como material didáctico de apoyo, todo aquel material que el facilitador considere pueda recibir el participante, entre ellos: bibliografía, documentos generales preparados por el facilitador, sugerencias de nombres de textos para profundizar siempre y cuando se conserven las leyes de derechos de autor: Ley 23 de 1982 sobre Derechos de Autor. 

 Descarga el instructivo de pagos en línea aquí