El Diplomado en Inteligencia Artificial, Ciencia de Datos y Análisis Económico ofrece una formación especializada en la aplicación de herramientas tecnológicas, métodos estadísticos y modelos de inteligencia artificial para interpretar fenómenos económicos, analizar grandes volúmenes de información y fortalecer la toma de decisiones empresariales, financieras e institucionales.
El programa integra fundamentos de economía aplicada, estadística, programación para el análisis de datos, econometría, aprendizaje automático, inteligencia artificial generativa, análisis predictivo y visualización de información económica.
Asimismo, desarrolla competencias para organizar bases de datos, identificar patrones económicos, construir modelos de predicción, evaluar escenarios y comunicar resultados mediante informes técnicos y tableros de indicadores.
Su enfoque combina fundamentos conceptuales con aplicaciones prácticas, utilizando herramientas como hojas de cálculo, Python, plataformas de visualización de datos y sistemas de inteligencia artificial, con especial atención a la realidad económica peruana.
Las organizaciones públicas y privadas generan grandes cantidades de información relacionada con precios, ventas, empleo, inversión, producción, consumo y comportamiento de los mercados.
La ciencia de datos y la inteligencia artificial permiten transformar esa información en conocimientos útiles para identificar tendencias, anticipar riesgos y evaluar alternativas económicas.
Sin embargo, la utilización de estas tecnologías requiere comprender sus fundamentos, interpretar correctamente los resultados y reconocer sus limitaciones.
Este diplomado proporciona una formación que combina análisis económico y herramientas digitales para desarrollar soluciones basadas en evidencia, automatizar tareas analíticas y mejorar la calidad de las decisiones.
Desarrollar competencias técnicas, analíticas y digitales para aplicar inteligencia artificial, ciencia de datos, estadística y modelos predictivos al estudio de fenómenos económicos, la evaluación de escenarios y la toma de decisiones empresariales, financieras y públicas, mediante el uso responsable de herramientas tecnológicas y evidencia cuantitativa.
Dirigido a economistas, administradores, contadores, ingenieros, analistas financieros, profesionales de planificación, especialistas en gestión pública, investigadores, empresarios, consultores, estudiantes y personas interesadas en aplicar inteligencia artificial y análisis de datos a problemas económicos.
No se requiere experiencia avanzada en programación. El programa desarrolla progresivamente las competencias técnicas necesarias.
Al finalizar el diplomado, el participante estará en condiciones de:
Identificar fuentes confiables de información económica y financiera.
Organizar, limpiar y analizar conjuntos de datos económicos.
Aplicar métodos estadísticos y econométricos al análisis económico.
Utilizar herramientas de programación para automatizar procesos analíticos.
Desarrollar modelos básicos de aprendizaje automático y predicción.
Aplicar inteligencia artificial generativa como apoyo al análisis económico.
Construir visualizaciones y tableros de indicadores.
Evaluar riesgos, sesgos y limitaciones de los modelos de inteligencia artificial.
Elaborar proyectos de análisis económico basados en datos.
CAPÍTULO 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
1.1.1. Concepto, evolución y fundamentos de la inteligencia artificial
1.1.2. Diferencias entre inteligencia artificial, aprendizaje automático y ciencia de datos
1.1.3. Aplicaciones de inteligencia artificial en economía y finanzas
CAPÍTULO 2. TRANSFORMACIÓN DIGITAL DE LA ECONOMÍA
1.2.1. Economía digital y transformación de los mercados
1.2.2. Automatización, productividad y cambio tecnológico
1.2.3. Impacto de la inteligencia artificial en el empleo y las organizaciones
CAPÍTULO 3. FUNDAMENTOS DEL ANÁLISIS ECONÓMICO DIGITAL
1.3.1. Datos económicos como recurso para la toma de decisiones
1.3.2. Indicadores económicos y fuentes de información digital
1.3.3. Aplicaciones de analítica en empresas e instituciones públicas
CAPÍTULO 4. OPORTUNIDADES Y RIESGOS DE LA INTELIGENCIA ARTIFICIAL
1.4.1. Beneficios y limitaciones de los sistemas inteligentes
1.4.2. Sesgos algorítmicos y calidad de los datos
1.4.3. Principios de uso responsable de inteligencia artificial
CAPÍTULO 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
2.1.1. Concepto y etapas de un proyecto de ciencia de datos
2.1.2. Tipos de datos y estructuras de información
2.1.3. Fuentes de datos económicos y financieros
CAPÍTULO 2. ESTADÍSTICA DESCRIPTIVA APLICADA
2.2.1. Medidas de tendencia central
2.2.2. Medidas de dispersión y distribución de datos
2.2.3. Análisis de frecuencias y representaciones gráficas
CAPÍTULO 3. FUNDAMENTOS DE PROBABILIDAD
2.3.1. Conceptos básicos de probabilidad
2.3.2. Distribuciones de probabilidad y variables aleatorias
2.3.3. Aplicaciones de probabilidad al riesgo económico
CAPÍTULO 4. INFERENCIA ESTADÍSTICA
2.4.1. Muestreo y estimación de parámetros
2.4.2. Intervalos de confianza y pruebas de hipótesis
2.4.3. Interpretación estadística de resultados económicos
CAPÍTULO 1. FUNDAMENTOS DE PROGRAMACIÓN
3.1.1. Introducción a Python y sus aplicaciones analíticas
3.1.2. Variables, tipos de datos y operadores
3.1.3. Estructuras de control y funciones básicas
CAPÍTULO 2. MANIPULACIÓN DE DATOS
3.2.1. Lectura de archivos CSV y hojas de cálculo
3.2.2. Uso de estructuras tabulares con Pandas
3.2.3. Filtrado, agrupación y transformación de información
CAPÍTULO 3. LIMPIEZA Y PREPARACIÓN DE DATOS
3.3.1. Identificación de datos faltantes y duplicados
3.3.2. Tratamiento de valores atípicos
3.3.3. Integración y validación de bases de datos económicas
CAPÍTULO 4. APLICACIONES PRÁCTICAS CON PYTHON
3.4.1. Análisis de precios y variaciones porcentuales
3.4.2. Procesamiento de indicadores económicos
3.4.3. Automatización de reportes estadísticos básicos
CAPÍTULO 1. FUNDAMENTOS DEL ANÁLISIS EXPLORATORIO
4.1.1. Objetivos del análisis exploratorio de datos
4.1.2. Identificación de patrones, tendencias y anomalías
4.1.3. Análisis de relaciones entre variables económicas
CAPÍTULO 2. VISUALIZACIÓN ESTADÍSTICA
4.2.1. Gráficos de barras, líneas e histogramas
4.2.2. Diagramas de dispersión y matrices de correlación
4.2.3. Selección de visualizaciones según objetivos analíticos
CAPÍTULO 3. HERRAMIENTAS DE VISUALIZACIÓN
4.3.1. Visualización de datos mediante hojas de cálculo
4.3.2. Introducción a Matplotlib y bibliotecas de gráficos en Python
4.3.3. Construcción de tableros con herramientas de inteligencia de negocios
CAPÍTULO 4. COMUNICACIÓN DE RESULTADOS ECONÓMICOS
4.4.1. Diseño de indicadores visuales de desempeño
4.4.2. Narrativa de datos y presentación de hallazgos
4.4.3. Elaboración de informes visuales de coyuntura económica
CAPÍTULO 1. FUNDAMENTOS DE ECONOMETRÍA
5.1.1. Concepto y aplicaciones de la econometría
5.1.2. Formulación de modelos económicos cuantitativos
5.1.3. Tipos de datos y selección de variables
CAPÍTULO 2. MODELOS DE REGRESIÓN LINEAL
5.2.1. Regresión lineal simple
5.2.2. Regresión lineal múltiple
5.2.3. Interpretación económica de coeficientes estimados
CAPÍTULO 3. DIAGNÓSTICO DE MODELOS ECONOMÉTRICOS
5.3.1. Supuestos del modelo de regresión lineal
5.3.2. Heterocedasticidad, autocorrelación y multicolinealidad
5.3.3. Evaluación del ajuste y significancia estadística
CAPÍTULO 4. APLICACIONES ECONOMÉTRICAS CON SOFTWARE
5.4.1. Estimación de modelos de demanda
5.4.2. Análisis de determinantes de ingresos y empleo
5.4.3. Elaboración de reportes econométricos reproducibles
CAPÍTULO 1. FUNDAMENTOS DE MACHINE LEARNING
6.1.1. Concepto y clasificación del aprendizaje automático
6.1.2. Aprendizaje supervisado y no supervisado
6.1.3. Preparación de datos para modelos predictivos
CAPÍTULO 2. MODELOS DE REGRESIÓN PREDICTIVA
6.2.1. Regresión regularizada y selección de variables
6.2.2. Árboles de decisión para predicción numérica
6.2.3. Bosques aleatorios y métodos de ensamble
CAPÍTULO 3. MODELOS DE CLASIFICACIÓN
6.3.1. Regresión logística y clasificación binaria
6.3.2. Árboles de clasificación y modelos probabilísticos
6.3.3. Evaluación mediante precisión, sensibilidad y otras métricas
CAPÍTULO 4. VALIDACIÓN DE MODELOS PREDICTIVOS
6.4.1. Separación de datos de entrenamiento y prueba
6.4.2. Sobreajuste, subajuste y validación cruzada
6.4.3. Comparación e interpretación de modelos económicos predictivos
CAPÍTULO 1. FUNDAMENTOS DE SERIES TEMPORALES
7.1.1. Concepto y características de las series económicas
7.1.2. Tendencia, estacionalidad y ciclos económicos
7.1.3. Estacionariedad y transformaciones de series
CAPÍTULO 2. MÉTODOS TRADICIONALES DE PRONÓSTICO
7.2.1. Promedios móviles y suavizamiento exponencial
7.2.2. Modelos autorregresivos y de medias móviles
7.2.3. Introducción a modelos ARIMA
CAPÍTULO 3. APRENDIZAJE AUTOMÁTICO PARA PRONÓSTICOS
7.3.1. Construcción de variables temporales predictivas
7.3.2. Aplicación de modelos de aprendizaje automático a series económicas
7.3.3. Comparación entre modelos estadísticos y predictivos
CAPÍTULO 4. APLICACIONES DE PRONÓSTICOS ECONÓMICOS
7.4.1. Predicción de demanda y ventas empresariales
7.4.2. Proyección de indicadores de inflación y actividad económica
7.4.3. Evaluación de errores y comunicación de incertidumbre
CAPÍTULO 1. FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL GENERATIVA
8.1.1. Concepto y características de los modelos generativos
8.1.2. Modelos de lenguaje y procesamiento de texto
8.1.3. Capacidades y limitaciones de asistentes de inteligencia artificial
CAPÍTULO 2. DISEÑO DE INSTRUCCIONES PARA TAREAS ECONÓMICAS
8.2.1. Principios de formulación de instrucciones eficaces
8.2.2. Estructuración de consultas para análisis económico
8.2.3. Verificación de respuestas y prevención de errores
CAPÍTULO 3. APLICACIONES EN INVESTIGACIÓN ECONÓMICA
8.3.1. Apoyo a la revisión de literatura económica
8.3.2. Clasificación y síntesis de documentos económicos
8.3.3. Elaboración asistida de reportes y resúmenes técnicos
CAPÍTULO 4. USO RESPONSABLE DE HERRAMIENTAS GENERATIVAS
8.4.1. Protección de información confidencial y datos personales
8.4.2. Identificación de respuestas incorrectas y referencias inexistentes
8.4.3. Supervisión humana y trazabilidad de resultados analíticos
CAPÍTULO 1. FUNDAMENTOS DE ANALÍTICA FINANCIERA
9.1.1. Fuentes y características de datos financieros
9.1.2. Indicadores de liquidez, solvencia y rentabilidad
9.1.3. Análisis de tendencias financieras empresariales
CAPÍTULO 2. MODELOS PREDICTIVOS FINANCIEROS
9.2.1. Predicción de flujos de caja
9.2.2. Estimación de probabilidades de incumplimiento crediticio
9.2.3. Modelos de clasificación de riesgo financiero
CAPÍTULO 3. DETECCIÓN DE ANOMALÍAS Y FRAUDE
9.3.1. Identificación de operaciones atípicas
9.3.2. Técnicas de detección de anomalías en transacciones
9.3.3. Evaluación de falsos positivos y riesgos de clasificación
CAPÍTULO 4. TOMA DE DECISIONES FINANCIERAS ASISTIDA POR IA
9.4.1. Construcción de indicadores predictivos financieros
9.4.2. Evaluación de escenarios de riesgo
9.4.3. Interpretación y supervisión de recomendaciones automatizadas
CAPÍTULO 1. DATOS PARA LA GESTIÓN PÚBLICA
10.1.1. Importancia de los datos en las decisiones públicas
10.1.2. Fuentes oficiales de información socioeconómica peruana
10.1.3. Integración de indicadores territoriales y sectoriales
CAPÍTULO 2. ANÁLISIS DE PROBLEMAS SOCIOECONÓMICOS
10.2.1. Análisis de pobreza y desigualdad
10.2.2. Estudio de empleo, informalidad y productividad
10.2.3. Identificación de brechas de acceso a servicios públicos
CAPÍTULO 3. MÉTODOS CUANTITATIVOS PARA POLÍTICAS PÚBLICAS
10.3.1. Construcción de indicadores de seguimiento
10.3.2. Introducción a métodos de evaluación de impacto
10.3.3. Aplicación de modelos predictivos para planificación pública
CAPÍTULO 4. ANALÍTICA PARA EL DESARROLLO TERRITORIAL
10.4.1. Comparación de indicadores económicos regionales
10.4.2. Identificación de patrones territoriales de desarrollo
10.4.3. Elaboración de tableros para seguimiento de políticas públicas
CAPÍTULO 1. ÉTICA DE LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL
11.1.1. Principios de transparencia, equidad y responsabilidad
11.1.2. Sesgos algorítmicos y discriminación automatizada
11.1.3. Evaluación de impactos sociales y económicos de la IA
CAPÍTULO 2. GOBERNANZA Y CALIDAD DE DATOS
11.2.1. Concepto y componentes de la gobernanza de datos
11.2.2. Calidad, integridad y trazabilidad de información
11.2.3. Políticas de acceso, conservación y uso de datos
CAPÍTULO 3. PROTECCIÓN DE DATOS Y MARCO NORMATIVO
11.3.1. Fundamentos de protección de datos personales
11.3.2. Marco peruano aplicable al desarrollo y uso de inteligencia artificial
11.3.3. Gestión de obligaciones y riesgos de cumplimiento normativo
CAPÍTULO 4. SEGURIDAD Y CONTROL DE MODELOS ANALÍTICOS
11.4.1. Riesgos de privacidad y seguridad en proyectos de datos
11.4.2. Documentación y auditoría de modelos predictivos
11.4.3. Diseño de controles y mecanismos de supervisión humana
CAPÍTULO 1. FORMULACIÓN DEL PROYECTO ANALÍTICO
12.1.1. Identificación de un problema económico relevante
12.1.2. Definición de objetivos, preguntas e indicadores
12.1.3. Selección de fuentes y evaluación de disponibilidad de datos
CAPÍTULO 2. DESARROLLO DEL PROCESO DE CIENCIA DE DATOS
12.2.1. Recopilación, limpieza e integración de información
12.2.2. Análisis exploratorio y selección de variables
12.2.3. Preparación de conjuntos de entrenamiento y evaluación
CAPÍTULO 3. CONSTRUCCIÓN Y EVALUACIÓN DE MODELOS
12.3.1. Selección de métodos estadísticos o de aprendizaje automático
12.3.2. Entrenamiento, validación e interpretación de resultados
12.3.3. Evaluación de limitaciones, sesgos e incertidumbre
CAPÍTULO 4. PROYECTO INTEGRADOR FINAL
12.4.1. Desarrollo de un proyecto aplicado de inteligencia artificial y economía
12.4.2. Elaboración de un tablero de indicadores e informe técnico
12.4.3. Presentación y sustentación de resultados y recomendaciones