M\u00d3DULO 1. INTRODUCCI\u00d3N: LA IMPORTANCIA DEL DATO
\n 1. Concienciaci\u00f3n en relaci\u00f3n a c\u00f3mo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios.
\n 2. Conocimiento de los diferentes modelos de negocio basado en datos:
\n 2.1. Nuevos modelos de negocio en torno al dato
\n 2.2. Tipolog\u00eda de datos y c\u00f3mo se obtienen
\n 2.3. Maneras de rentabilizar el dato
\n 2.4. Data Business Model Canvas
\n 3. Adquisici\u00f3n de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA)
\n 3.1. Estado actual
\n 3.2. Posible evoluci\u00f3n futura
\n 4. Dominio de Conceptos b\u00e1sicos
\n 4.1. Qu\u00e9 es Big Data
\n 4.2. Qu\u00e9 es Machine Learning
\n 4.3. Qu\u00e9 es Deep Learning
\n 5. Concienciaci\u00f3n sobre el poder de los datos en las organizaciones tanto para mejorar la toma de decisiones como para crear modelos de negocio basado en datos
\n 6. Visi\u00f3n trasversal sobre c\u00f3mo Data Science se aplica en las diferentes \u00e1reas de la organizaci\u00f3n para impulsar las capacidades<\/p>\n
M\u00d3DULO 2. NOCIONES INICIALES DE PYTHON, DATA ENGINEERING Y ESTAD\u00cdSTICA
\n 1. Desarrollo de los fundamentos de Big Data
\n 1.1. Qu\u00e9 es el Big Data
\n 1.2. Perfiles t\u00e9cnicos: Data Analyst, Engineer, Arquitect, QA…
\n 1.3. El proceso de construir un proyecto de Big Data
\n 1.4. Arquitecturas de Big Data
\n 1.5. Las claves del \u00e9xito del big data
\n 2. Identificaci\u00f3n de los fundamentos de Machine Learning
\n 2.1. Introducci\u00f3n al Machine Learning: Datos, algoritmos, modelos, producci\u00f3n…
\n 2.2. Aproximaci\u00f3n a los algoritmos: clasificaci\u00f3n, predicci\u00f3n y clustering
\n 2.3. Creaci\u00f3n de modelos de Machine Learning
\n 2.4. Las claves del aprendizaje autom\u00e1tico.
\n 2.5. La productivizaci\u00f3n de modelos
\n 3. An\u00e1lisis de los fundamentos de IA: Visi\u00f3n, NPL…
\n 3.1. Introducci\u00f3n al Deep Learning y sus aplicaciones
\n 3.2. Tipos de redes neuronales y su entrenamiento
\n 3.3. Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL
\n 4. Conocimientos avanzados de Python Crash Course
\n 4.1. Uso de pycharm como entorno de trabajo
\n 4.2. Uso de notebooks
\n 4.3. Conocimiento de la sintaxis del lenguaje: bucles, variables.
\n 4.4. Librer\u00edas
\n 4.5. Funciones
\n 4.6. Programaci\u00f3n orientada a objetos en Python
\n 5. Aproximaci\u00f3n a la arquitectura de la informaci\u00f3n y al SQL
\n 5.1. Qu\u00e9 es la arquitectura de datos
\n 5.2. Modelo relacional tradicional
\n 5.3. Modelo estrella
\n 5.4. Modelo copo de nieve
\n 5.5. Bases de la normalizaci\u00f3n de datos
\n 5.6. Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, \u00edndice y partici\u00f3n
\n 5.6.1. SQL
\n 5.6.2. Sintaxis del lenguaje
\n 6. Identificaci\u00f3n del Crash course de python para data engineers: SQL y dataframes
\n 6.1. Consulta de datos
\n 6.2. Cruce de tablas
\n 6.3. Inserci\u00f3n y borrado
\n 6.4. Dataframes
\n 6.4.1. Qu\u00e9 es una serie
\n 6.4.2. Qu\u00e9 es un dataframe
\n 6.4.3. Cruces con dataframe
\n 6.4.4. Funciones lambda con columnas
\n 6.4.5. Leer y salvar datos desde y a dataframe desde distintos formatos
\n 7. Diferenciaci\u00f3n entre ETL\/ELT y preproceso de datos
\n 7.1. ELT o ETL
\n 7.2. Pipelines de datos
\n 7.3. \u00bfC\u00f3mo estructurar los distintos pasos del workflow de datos?
\n 7.4. Automatizaci\u00f3n de procesos.
\n 8. Aplicaci\u00f3n del proceso del an\u00e1lisis exploratorio
\n 8.1. Arranque de un proceso exploratorio
\n 8.2. Los objetivos de un an\u00e1lisis exploratorio
\n 8.3. Uso del proceso exploratorio para validaci\u00f3n de hip\u00f3tesis
\n 8.4. Naturaleza iterativa del proceso
\n 9. Utilizaci\u00f3n de herramientas de visualizaci\u00f3n exploratoria y librer\u00edas
\n 9.1. An\u00e1lisis descriptivo gr\u00e1fico
\n 9.2. An\u00e1lisis descriptivo basado en estad\u00edsticos
\n 10. Realizaci\u00f3n de an\u00e1lisis univariante y multivariante
\n 10.1. An\u00e1lisis multivariante
\n 10.2. An\u00e1lisis univariante
\n 11. Conocimiento de la Estad\u00edstica descriptiva
\n 11.1. Media, mediana, momentos, etc.
\n 11.2. Desviaci\u00f3n, varianza
\n 11.3. Sesgos y medidas de homogeneidad de la informaci\u00f3n
\n 12. Aproximaci\u00f3n breve al algebra lineal
\n 12.1. Operaciones matriz-escalar
\n 12.2. Operaciones matriz-matriz
\n 12.3. Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad
\n 12.4. Trasposici\u00f3n e inversa de una matriz
\n 13. An\u00e1lisis de correlaci\u00f3n de variables: fundamentos de estad\u00edstica y probabilidad
\n 13.1. Ingenier\u00eda de caracter\u00edsticas: descarte y selecci\u00f3n de caracter\u00edsticas
\n 13.2. C\u00f3mo analizar la correlaci\u00f3n entre variables
\n 13.3. Efecto de las correlaciones
\n 13.4. Eliminaci\u00f3n de la correlaci\u00f3n
\n 14. Deducci\u00f3n estad\u00edstica y contraste de hip\u00f3tesis
\n 14.1. Definici\u00f3n de una distribuci\u00f3n una variable aleatoria
\n 14.2. Definici\u00f3n de una funci\u00f3n de probabilidad<\/p>\n
M\u00d3DULO 3. CONOCIMIENTO AVANZADO DE MACHINE LEARNING & ARTIFICIAL INTELLIGENCE
\n 1. Aproximaci\u00f3n a la modelizaci\u00f3n
\n 1.1. Introducci\u00f3n a la modelizaci\u00f3n
\n 1.2. Tipos de modelos
\n 2. Identificaci\u00f3n de los Modelos de regresi\u00f3n
\n 2.1. Modelos de regresi\u00f3n simple
\n 2.2. Modelos de regresi\u00f3n m\u00faltiple
\n 2.3. Modelos de regresi\u00f3n generalizado
\n 3. Clasificaci\u00f3n de los distintos modelos de \u00c1rboles
\n 3.1. Modelos de inferencia de \u00e1rboles de decisi\u00f3n y regresi\u00f3n
\n 3.1.1. Clasificadores binarios
\n 3.1.2. Regresi\u00f3n
\n 3.2. Modelos de inferencia de \u00e1rboles de decisi\u00f3n: clasificadores multiclase
\n 3.3. Modelos avanzados de \u00e1rboles
\n 3.3.1. Boosting
\n 3.3.2. Random forest
\n 4. Conocimientos de Algoritmos alternativos de clasificaci\u00f3n
\n 5. Conocimientos de Eager y Lazy classifiers
\n 6. Utilizaci\u00f3n de Clustering
\n 6.1. Introducci\u00f3n a los modelos no supervisados
\n 6.2. An\u00e1lisis cl\u00faster
\n 7. Aproximaci\u00f3n al m\u00e9todo cient\u00edfico
\n 7.1. Evaluaci\u00f3n de modelos
\n 8. Evaluaci\u00f3n y optimizaci\u00f3n de modelos
\n 8.1. Control de outliers y an\u00e1lisis de residuos
\n 8.2. Modelos no supervisados
\n 8.3. Modelos supervisados
\n 9. Creaci\u00f3n de Ingenier\u00eda de variables
\n 9.1. Principios de la ingenier\u00eda de variables en la creaci\u00f3n de variables
\n 9.2. La dimensionalidad
\n 9.3. T\u00e9cnicas: PCA y SVD
\n 10. Ensamblado de modelos
\n 10.1. Definici\u00f3n de model ensembles
\n 10.2. Modelos d\u00e9biles y modelos fuertes
\n 10.3. Creaci\u00f3n de pipelines para crear modelos ensamblados
\n 11. Gesti\u00f3n del ciclo de vida de los modelos
\n 12. Interpretabilidad
\n 13. Aproximaci\u00f3n a modelos heur\u00edsticos de optimizaci\u00f3n
\n 14. Conocimiento de los algoritmos gen\u00e9ticos
\n 14.1. Principios de optimizaci\u00f3n basado en heur\u00edsticos
\n 14.2. Gradiente descendente
\n 14.3. Modelos basados en comportamientos animales
\n 14.4. El algoritmo gen\u00e9tico
\n 14.5. Aplicaciones de los algoritmos gen\u00e9ticos
\n 14.6. Cromosoma y funci\u00f3n de fitness
\n 14.7. Resoluci\u00f3n de un problema usando algoritmos gen\u00e9ticos
\n 15. Utilizaci\u00f3n de series temporales y forecasting
\n 15.1. Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad
\n 15.2. Series estacionarias y no estacionarias
\n 15.3. An\u00e1lisis de anomal\u00edas
\n 15.4. Suavizado exponencial
\n 15.5. Modelos autoregresivos
\n 15.6. Modelos univariantes y multivariantes
\n 15.7. Modelos arima
\n 15.8. Modelos con parametrizaci\u00f3n autom\u00e1tica
\n 16. Gesti\u00f3n de proyectos de Data Science<\/p>\n
M\u00d3DULO 4. APLICACIONES DEL DEEP LEARNING
\n 1. Aproximaci\u00f3n a redes neuronales artificiales (ANN)
\n 1.1. \u00bfQu\u00e9 es una red neuronal artificial?
\n 1.2. Tipos de redes: profundas y superficiales (shallow)
\n 1.3. T\u00e9cnica del gradiente descendiente
\n 2. Conocimiento de los campos de aplicaci\u00f3n de ANN
\n 2.1. Visi\u00f3n por computador
\n 2.2. An\u00e1lisis y s\u00edntesis del lenguaje
\n 2.3. An\u00e1lisis de secuencias
\n 2.4. GAN y deepfake
\n 3. Aproximaci\u00f3n al Shallow & Deep neural networks. Introducci\u00f3n CNN
\n 3.1. Perceptr\u00f3n simple
\n 3.2.Topolog\u00edas de redes neuronales
\n 3.3. MNIST
\n 3.4. Regularizaci\u00f3n: L1, L2, dropout y otros
\n 3.5. Creaci\u00f3n de una CNN con keras
\n 4. Comprensi\u00f3n del dise\u00f1o de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN)<\/p>\n
M\u00d3DULO 5. ENTORNOS BIG DATA & CLOUD
\n 1. Conocimientos de Big Data y de los principios de arquitecturas de computaci\u00f3n distribuidas y altamente escalables
\n 1.1. Comprender el papel del Big data en la ciencia de datos
\n 1.2. Apache Spark
\n 1.3. Spark en modo batch y en semi-tiempo real (microbatches)
\n 1.4. Lazy evaluation
\n 2. Utilizaci\u00f3n de Dataframes y Data pipelines en Spark
\n 2.1. Operaciones sobre dataframes (SQL o pyspark)
\n 2.2. Creaci\u00f3n de data pipelines con spark
\n 2.3. Transformaci\u00f3n de dataframes
\n 3. Creaci\u00f3n de modelos de Machine Learning en Spark
\n 3.1. Entrenamiento de modelos e integraci\u00f3n en pipelines
\n 3.2. Aplicaci\u00f3n de la inferencia de modelos en Spark
\n 4. Despliegue de pipelines de modelos con Spark
\n 5. Desarrollo de modelos con proveedores de Cloud Machine Learning<\/p>\n
M\u00d3DULO 6. VISUALIZACI\u00d3N DE LOS DATOS
\n 1. Comprensi\u00f3n de las claves del storytelling a trav\u00e9s de los datos
\n 1.1. La ciencia de la visualizaci\u00f3n de datos y el storytelling: su valor en el mundo profesional
\n 2. Uso del storytelling con datos
\n 2.1. Principios de la comunicaci\u00f3n visual de los datos
\n 2.2. Uso de los distintos controles visuales
\n 3. Comprensi\u00f3n de los conceptos Business Intelligence y Data Visualization
\n 3.1. Entender el proceso para trabajar en la herramienta de visualizaci\u00f3n en un contexto de Business Intelligence
\n 3.2. Fuentes de datos, tratamiento y preparaci\u00f3n de datos, modelaje de datos (relaciones), an\u00e1lisis exploratorio y espec\u00edficos, visualizaci\u00f3n y reporting
\n 4. Profundizaci\u00f3n en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos
\n 4.1. Entorno de PowerBI: organizaci\u00f3n y componentes
\n 4.2. Importaci\u00f3n de datos
\n 4.3. Visualizaciones b\u00e1sicas realizando agrupaciones y aplicando filtros
\n 4.4. Trabajar y preparar los datos: columnas calculadas, medidas, f\u00f3rmulas con DAX, tablas calculadas\u2026
\n 4.5. Trabajar con tablas matrices para aumentar la granularidad de los informes
\n 4.6. Filtrar los datos de manera din\u00e1mica con la segmentaci\u00f3n de datos
\n 5. Aproximaci\u00f3n a la herramienta Tableau<\/p>\n
M\u00d3DULO 7. HABILIDADES Y COMPETENCIAS DE GESTI\u00d3N, PERSONALES Y SOCIALES, PARA EL ENTORNO DIGITAL
\n 1. Impulso de habilidades digitales
\n 1.1. Liderazgo participativo
\n 1.2. Gesti\u00f3n del cambio
\n 1.3. Inteligencia emocional
\n 1.4. Storytelling
\n 1.5. Creaci\u00f3n de marca personal
\n 1.6. Comunicaci\u00f3n y negociaci\u00f3n en entornos digitales
\n 2. Comprensi\u00f3n de las competencias necesarias para el nuevo entorno digital
\n 2.1. La influencia digital
\n 2.2. La colaboraci\u00f3n en el entorno
\n 2.3. La integraci\u00f3n de la diversidad
\n 2.4. La gesti\u00f3n emocional
\n 2.5. La agilidad en toma de decisiones
\n 2.6. La anticipaci\u00f3n en contextos digitales
\n 2.7. La flexibilidad para la transformaci\u00f3n
\n 2.8. La asunci\u00f3n de incertidumbre y riesgos
\n 2.9. La elaboraci\u00f3n, gesti\u00f3n y difusi\u00f3n de contenidos
\n 3. Conocimiento de las herramientas imprescindibles para
\n 3.1. El trabajo colaborativo
\n 3.2. El trabajo en remoto
\n 3.3. La gesti\u00f3n de proyectos
\n 3.4. Automatizaci\u00f3n de flujos de trabajo
\n 4. Pr\u00e1ctica en las claves del trabajo en equipo y de la productividad en remoto
\n 5. Fomento del liderazgo participativo y la gesti\u00f3n del cambio
\n 6. Dominio de la comunicaci\u00f3n y la negociaci\u00f3n en entornos digitales
\n 7. Pr\u00e1ctica del modelo de competencias para el entorno digital
\n 8. Elaboraci\u00f3n y gesti\u00f3n de la marca personal desde la importancia del storytelling<\/p>\n","protected":false},"excerpt":{"rendered":"
Objetivo general
\n – Dominar el dato para entenderlo, transformarlo y capturar su m\u00e1ximo potencial con inteligencia artificial para optimizar procesos y simplificar el desarrollo de los proyectos y, comenzar con la creaci\u00f3n de modelos de machine learning.<\/p>\n
Objetivos espec\u00edficos
\n – Analizar desde una visi\u00f3n trasversal c\u00f3mo la ciencia del dato se aplica en las diferentes \u00e1reas de la organizaci\u00f3n para impulsar sus capacidades (finanzas, recursos humanos, operaciones, atenci\u00f3n al cliente…), concienci\u00e1ndose sobre el poder de los datos, tanto para mejorar la toma de decisiones como para crear modelos de negocio basados en datos.
\n – Entender las nociones claves de estad\u00edstica, matem\u00e1ticas y \u00e1lgebra que son b\u00e1sicas para Data Science; as\u00ed como la programaci\u00f3n en Python para trabajar con los datos.
\n – Explorar y entender los datos para poder enfocar correctamente un problema, combinando diferentes modelos y, as\u00ed, crear el que se requiera para dar soluci\u00f3n al problema identificado y evaluar su funcionamiento para conseguir su optimizaci\u00f3n.
\n – Profundizar en las aplicaciones del Deep Learning en reconocimiento de im\u00e1genes y proceso del lenguaje y entender el funcionamiento de los distintos modelos de redes neuronales.
\n – Conocer los entornos de Big Data para data science, para construir modelos escalables y desplegar y lanzar las soluciones en la nube.
\n – Utilizar las claves y fundamentos de la visualizaci\u00f3n para crear historias con los datos.
\n – Conocer el nuevo entorno laboral VUCA (Volatility, Uncertainty, Complexity & Ambiguity), que requiere del dominio de herramientas de trabajo en red, colaborativas, \u00e1giles; as\u00ed como de las habilidades y competencias que se exigen para ser competitivo en el nuevo entorno digital.<\/p>\n","protected":false},"featured_media":24101,"template":"","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":""},"product_brand":[],"product_cat":[48],"product_tag":[],"class_list":["post-24434","product","type-product","status-publish","has-post-thumbnail","product_cat-informatica-y-comunicaciones","first","instock","virtual","taxable","purchasable","product-type-simple"],"yoast_head":"\n