SOLD OUT: ¿Puedes predecir el éxito de un festival con Data e Inteligencia Artificial?
Martes 1 de Diciembre de 18:30 a 20:30h.
-Presencial-
¿Y si tuvieras que organizar el próximo gran festival de música? ¿Qué artistas contratarías? ¿Cuánto cobrarías por las entradas? ¿Cómo estimarías la asistencia y la rentabilidad del evento?
En esta Open Class, los participantes asumirán el papel de un equipo de Data & IA de una promotora musical, trabajando sobre un caso práctico con datos simulados de festivales.
A través de un entorno real de desarrollo, recorreremos las principales etapas de un proyecto de datos:
- Data Engineering: Cargaremos y combinaremos información de diferentes archivos JSON (festivales, artistas, precios, campañas, etc.) utilizando Python y Jupyter Notebook.
- Data Science & Machine Learning: Exploraremos los datos y utilizaremos un modelo de regresión para estimar la asistencia a un festival en función de diferentes variables.
- Business Intelligence: Trabajaremos sobre una aplicación interactiva en Streamlit, donde cada participante decidirá qué KPIs, gráficos e indicadores considera relevantes para evaluar el éxito del evento.
- Toma de decisiones: Experimentaremos con diferentes escenarios y comprobaremos cómo los modelos predictivos pueden ayudarnos a fundamentar decisiones empresariales.
El objetivo es que cada participante termine la jornada con su propio dashboard interactivo, personalizado y conectado con un modelo predictivo, experimentando de primera mano algunas de las tecnologías y metodologías que se trabajan en el máster.
Requisitos para los asistentes:
- NO requerimos conocimientos previos, pero sí ser curioso en cuanto al lenguaje de programación.
- Ordenador portátil propio con Visual Studio Code y Python instalados.
- Extensiones de Python y Jupyter para VS Code.
Cuándo, lugar y duración:
- Fecha: 1 de Diciembre
- Hora: 18:30h
- Lugar: EDEM
- 90 minutos, eminentemente prácticos. La jornada será guiada y partirá de un proyecto parcialmente desarrollado para que los asistentes puedan concentrarse en comprender los datos, experimentar con el modelo y personalizar su aplicación.
