Introducción: la importancia del dato
Introducción.
Concienciación en relación a cómo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios.
Conocimiento de los diferentes modelos de negocio basado en datos.
Adquisición de conocimientos sobre los avances en Big Data e inteligencia artificial (IA).
Dominio de conceptos básicos.
Concienciación 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.
Visión trasversal sobre cómo Data Science se aplica en las diferentes áreas de la organización para impulsar las capacidades.
Resumen.
Nociones iniciales de Python, Data Engineering y estadística
Introducción.
Desarrollo de los fundamentos de Big Data.
Identificación de los fundamentos de Machine Learning.
Análisis de los fundamentos de IA: visión, NPL…
Conocimientos avanzados de Python Crash Course.
Aproximación a la arquitectura de la información y al SQL.
Identificación del Crash course de Python para data engineers: SQL y dataframes.
Diferenciación entre ETL/ELT y preproceso de datos.
Aplicación del proceso del análisis exploratorio.
Utilización de herramientas de visualización exploratoria y librerías.
Realización de análisis univariante y multivariante.
Conocimiento de la estadística descriptiva.
Aproximación breve al álgebra lineal.
Análisis de correlación de variables: fundamentos de estadística y probabilidad.
Deducción estadística y contraste de hipótesis.
Resumen.
Conocimiento avanzado de Machine Learning & Artificial Intelligence
Introducción.
Aproximación a la modelización.
Identificación de los modelos de regresión.
Clasificación de los distintos modelos de árboles.
Conocimientos de algoritmos alternativos de clasificación.
Conocimientos de Eager y Lazy classifiers.
Utilización de clustering.
Aproximación al método científico.
Evaluación y optimización de modelos.
Creación de ingeniería de variables.
Ensamblado de modelos.
Gestión del ciclo de vida de los modelos.
Interpretabilidad.
Aproximación a modelos heurísticos de optimización.
Conocimiento de los algoritmos genéticos.
Utilización de series temporales y forecasting.
Gestión de proyectos de Data Science.
Resumen.
Aplicaciones del Deep Learning
Introducción.
Aproximación a redes neuronales artificiales (ANN).
Conocimiento de los campos de aplicación de ANN.
Aproximación al Shallow & Deep neural networks. Introducción CNN.
Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN).
Resumen.
Entornos Big Data & Cloud
Introducción.
Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y altamente escalables.
Utilización de dataframes y data pipelines en Spark.
Creación de modelos de Machine Learning en Spark.
Despliegue de pipelines de modelos con Spark.
Desarrollo de modelos con proveedores de Cloud Machine Learning.
Resumen.
Visualización de los datos
Introducción.
Comprensión de las claves del storytelling a través de los datos.
Uso del storytelling con datos.
Comprensión de los conceptos Business Intelligence y Data Visualization.
Profundización en la herramienta Power BI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos.
Aproximación a la herramienta Tableau.
Resumen.
Habilidades y competencias de gestión, personales y sociales, para el entorno digital
Introducción.
Impulso de habilidades digitales.
Comprensión de las competencias necesarias para el nuevo entorno digital.
Conocimiento de las herramientas imprescindibles para el trabajo colaborativo y en remoto, la gestión de proyectos y la automatización de flujos de trabajo.
Práctica en las claves del trabajo en equipo y de la productividad en remoto.
Fomento del liderazgo participativo y la gestión del cambio.
Dominio de la comunicación y la negociación en entornos digitales.
Práctica del modelo de competencias para el entorno digital.
Elaboración y gestión de la marca personal desde la importancia del storytelling.
Resumen.
