Conoce a nuestros

Conferencistas de nuestros cursos


A continuación, te presentamos a los a los conferencistas que impartirán los cursos en el evento los dias 18 y 19 de octubre, recuerda que la inscripción a los cursos es gratuita e independiente de la inscripción general.

Foto de David Andrés Franco

David Andrés Franco

Docente e investigador universitario de la Universidad Externado de Colombia.

Esta es la de el Docente e investigador universitario de la Universidad Externado de Colombia en materias de los pregrados de Ciencia de Datos, Finanzas, Gobierno y Relaciones Internacionales, Derecho, Administración de Empresas Turísticas y Hoteleras. Abogado de la misma casa de estudios. Maestrando en la Universidad Tecnológica del Uruguay con apoyo del MIT (Massachusetts). Autor de 1 libro, un capítulo de libro y varios artículos de investigación.

Workshop en análisis de redes usando grafos

Teoría de Grafos

En este taller se estudiarán el cómo representar y analizar redes (de contactos de redes sociales, criminales, etc.) usando criterios de familiaridad, acercamiento y conexión. Con estas herramientas, se puede determinar las personas (u objetos) importantes en un sistema de interconexión.

Foto de Edwin Fernando Muñoz

Edwin Fernando Muñoz

Licenciado en Física con especialización en Matemáticas Aplicadas y Magíster en Investigación Operativa y Estadística.

Soy Edwin Fernando Muñoz, apasionado por las ciencias aplicadas y docente universitario con años de experiencia. Enseño métodos estadísticos y de machine learning para resolver problemas del mundo real, explorando temas como análisis de datos y optimización de procesos. En mi próximo taller, compartiré mi conocimiento sobre el uso de machine learning en la predicción de series temporales, guiando a los participantes en aplicaciones prácticas en Python con la librería Skforecast.

Forecasting con Machine Learning: el uso de Skforecast en Python

Machine Learning

En este Workshop, exploraremos la aplicación de modelos de Machine Learning en el contexto de forecasting. Nos enfocaremos en los aspectos prácticos más importantes y realizaremos un ejemplo práctico de predicción de demanda utilizando la librería Skforecast de Python

Foto de Camilo Andrés De la Cruz

Camilo Andrés De la Cruz

Científico de Datos en Analítica Digital en la Vicepresidencia de Mercadeo en Bancolombia

Soy Camilo Andrés De la Cruz, un profesor e investigador experimentado con una historia demostrada de trabajo en la industria de la educación superior y en el sector privado. Tengo habilidades en Python, correr, ciclismo, aprendizaje activo e investigación. Mi sólida formación académica incluye un Master of Laws (LLM) enfocado en sostenibilidad y tecnología de la Universidad de California, Berkeley - School of Law.

Datos y Decisiones: Una revisión de Marketing Mix Modeling

Marketing Mix Modeling

En el workshop revisaremos la utilidad del uso de datos para optimizar la toma de decisiones y los gastos en asuntos de publicidad y mercadeo. Veremos un marco de trabajo Open Source (Robyn) y aprenderemos a correr un ejercicio desde cero hasta llegar a los resultados y la toma de decisiones.

Foto de Albert Montenegro

Albert Montenegro

Matemático, científico de datos y candidato a doctor en ciencias de la computación.

Soy Albert Ferney Montenegro, matemático con una Maestría en Matemática Aplicada y doctorando en ciencias de la computación e inteligencia artificial. Desde 2006, soy docente universitario y tengo más de cinco años de experiencia en análisis de grandes volúmenes de datos, generando insights accionables que han contribuido al éxito de diversas iniciativas en múltiples sectores.

Introducción Práctica a Redes Neuronales Artificiales

RNA

Es una charla sobre Redes Neuronales Artificiales (RNA), se presentan los conceptos básicos y la estructura de las redes neuronales, destacando sus similitudes con el cerebro humano. Se explican los componentes fundamentales como las neuronas, capas, pesos y funciones de activación, así como el proceso de forward-propagation y back-propagation para el entrenamiento de las redes. Se utilizará una demostración práctica donde se ilustra el entrenamiento de una red neuronal simple.

Foto de Mario José Pacheco López

Mario José Pacheco López

Profesor Facultad de Estadística - Universidad Santo Tomás, Investigador y Consultor.

Profesor Facultad de Estadística - Universidad Santo Tomás, Investigador y Consultor, con más de 10 años de experiencia. Estadístico de profesión y Magister en Ciencias-Estadística, con interés en Análisis Multivariado de Datos, Análisis Estadístico con Datos Faltantes, Estadística Computacional y Muestreo Probabilístico.

Introducción al análisis estadístico con datos faltantes

Impuntación de datos faltantes

Resumen del workshop: El problema de los datos faltantes es una situación común que enfrentamos en cualquier análisis estadístico. Esto puede generar sesgos en los resultados del análisis, afectar la precisión de las inferencias y dificultar la interpretación de los modelos estadísticos. Desde una perspectiva práctica, abordaremos los principios básicos y algunos de los métodos de tratamiento más importantes asociados a diferentes tipos de análisis estadístico, así como las medidas severidad apropiadas para cuantificar el impacto de los métodos de tratamiento implementados.

Foto de Cristian Fernando Tellez Piñerez

Cristian Fernando Tellez Piñerez

Ph.D Ciencias Estadística, Magister en Ciencias Estadística y Estadístico de profesión.

Cristian Fernando Tellez Piñerez es un Ph.D en Ciencias Estadística, con un Magister en Ciencias Estadística y Estadístico de profesión. Posee una sólida formación académica y experiencia en investigación, con un enfoque en la aplicación de técnicas avanzadas de muestreo y análisis estadístico para resolver problemas complejos en diversas áreas.

Estimación en Áreas Pequeñas del Empleo Formal en Bogotá a Nivel de UPZ

Estimación en áreas pequeñas

Bogotá, como una extensa metrópoli, presenta heterogeneidad en el empleo formal a través de sus zonas. Las Unidades de Planeamiento Zonal (UPZ) permiten un análisis detallado de los fenómenos económicos y sociales, pero la recopilación de datos a este nivel enfrenta desafíos debido a la escasez de datos específicos y la variabilidad demográfica. Por ello, es crucial usar técnicas avanzadas de muestreo para obtener estimaciones precisas. En este contexto, la estimación en áreas pequeñas (SAE) es esencial para lograr estimaciones de alta calidad y confiabilidad.

Foto de Juan Carlos Rubriche Cárdenas

Juan Carlos Rubriche Cárdenas

Profesor investigador de la Facultad de Estadística de la Universidad Santo Tomás.

Magister en Estadística Aplicada y Ciencias-Matemáticas, interesado en las áreas de Análisis de Regresión, Estadística Multivariada y Machine Learning con experiencia profesional como estadístico en el DANE y en el Icfes.

Introducción a los modelos de ecuaciones estructurales

Modelos de ecuaciones estructurales

Los Modelos de Ecuaciones Estructurales (SEM) son una técnica estadística avanzada que permite la estimación de relaciones entre variables latentes y observadas, así como la evaluación de modelos teóricos complejos. En este cursillo, mostraremos cómo realizar SEM utilizando el software R. Abarcaremos los fundamentos teóricos de SEM, el uso de paquetes específicos de R para su implementación y presentaremos ejemplos prácticos para ayudar a los participantes a aplicar estas técnicas a sus propios datos de investigación.

Foto de Dagoberto Bermúdez Rubio

Dagoberto Bermúdez Rubio

PhD (c) en Ciencias-Estadística y Magister en Ciencias - Estadística.

Estadístico capacitado para planificar investigaciones, gestionar y analizar datos, con habilidades para trabajar en los sectores ambiental, académico, salud, industria, servicios, financiero, investigación de mercados y sector público como consultor y gestor de información estadística.

Introducción a los modelos de regresión semiparamétricos (GAMLSS) con R

Modelos de regresión semiparamétricos

Los modelos GAMLSS (Generalized Additive Models for Location, Scale and Shape) son una evolución de los modelos de regresión, ofreciendo flexibilidad para datos no normales. Permiten modelar relaciones complejas entre variables mediante componentes aditivos y funciones de enlace. Su capacidad para manejar datos asimétricos, colas pesadas y formas de distribución inusuales, junto con su resistencia a datos atípicos y heterocedasticidad, los hace una herramienta robusta y versátil en análisis estadísticos.