Contenidos SCORM

Programación y Desarrollo

IFCT107 RESPONSABLE EXPERTO DE DATA

Este Curso IFCT107 RESPONSABLE EXPERTO DE DATA le ofrece una formación especializada en la materia dentro de la Familia Profesional de Informática y comunicaciones.

  • Duración240 h
  • Unidades7
  • FormatoSCORM 1.2

Sobre este contenido

Este Curso IFCT107 RESPONSABLE EXPERTO DE DATA le ofrece una formación especializada en la materia dentro de la Familia Profesional de Informática y comunicaciones. Con este CURSO IFCT107 RESPONSABLE EXPERTO DE DATA el alumno será capaz de Dominar el dato para entenderlo, transformarlo y capturar su máximo potencial con inteligencia artificial para optimizar procesos y simplificar el desarrollo de los proyectos y, comenzar con la creación de modelos de machine learning.

Temario

7 unidades didácticas · 240 horas

Contenido7 unidades
SCORM 1

Introducción: la importancia del dato

  • 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:
  • - Nuevos modelos de negocio en torno al dato.
  • - Tipología de datos y cómo se obtienen.
  • - Maneras de rentabilizar el dato.
  • - Data Business Model Canvas.
  • Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA).
  • - Estado actual.
  • - Posible evolución futura.
  • Dominio de Conceptos básicos:
  • - Qué es Big Data.
  • - Qué es Machine Learning.
  • - Qué es Deep Learning.
  • 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.
SCORM 2

Nociones iniciales de python, data engineering y estadística

  • Desarrollo de los fundamentos de Big Data.
  • - Qué es el Big Data.
  • - Perfiles técnicos: Data Analyst, Engineer, Arquitect, QA...
  • - El proceso de construir un proyecto de Big Data.
  • - Arquitecturas de Big Data.
  • - Las claves del éxito del big data.
  • Identificación de los fundamentos de Machine Learning.
  • - Introducción al Machine Learning: Datos, algoritmos, modelos, producción...
  • - Aproximación a los algoritmos: clasificación, predicción y clustering.
  • - Creación de modelos de Machine Learning.
  • - Las claves del aprendizaje automático.
  • - La productivización de modelos.
  • Análisis de los fundamentos de IA: Visión, NPL...
  • - Introducción al Deep Learning y sus aplicaciones.
  • - Tipos de redes neuronales y su entrenamiento.
  • - Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL.
  • Conocimientos avanzados de Python Crash Course.
  • - Uso de pycharm como entorno de trabajo.
  • - Uso de notebooks.
  • - Conocimiento de la sintaxis del lenguaje: bucles, variables.
  • - Librerías.
  • - Funciones.
  • - Programación orientada a objetos en Python.
  • Aproximación a la arquitectura de la información y al SQL.
  • - Qué es la arquitectura de datos.
  • - Modelo relacional tradicional.
  • - Modelo estrella.
  • - Modelo copo de nieve.
  • - Bases de la normalización de datos.
  • - Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, índice y partición.
  • - SQL.
  • - Sintaxis del lenguaje.
  • Identificación del Crash course de python para data engineers: SQL y dataframes.
  • - Consulta de datos.
  • - Cruce de tablas.
  • - Inserción y borrado.
  • - Dataframes:
  • * Qué es una serie.
  • * Qué es un dataframe.
  • * Cruces con dataframe.
  • * Funciones lambda con columnas.
  • * Leer y salvar datos desde y a dataframe desde distintos formatos.
  • Diferenciación entre ETL/ELT y preproceso de datos.
  • - ELT o ETL.
  • - Pipelines de datos.
  • - ¿Cómo estructurar los distintos pasos del workflow de datos?
  • - Automatización de procesos.
  • Aplicación del proceso del análisis exploratorio.
  • - Arranque de un proceso exploratorio.
  • - Los objetivos de un análisis exploratorio.
  • - Uso del proceso exploratorio para validación de hipótesis.
  • - Naturaleza iterativa del proceso.
  • Utilización de herramientas de visualización exploratoria y librerías.
  • - Análisis descriptivo gráfico.
  • - Análisis descriptivo basado en estadísticos.
  • Realización de análisis univariante y multivariante.
  • - Análisis multivariante.
  • - Análisis univariante.
  • Conocimiento de la Estadística descriptiva.
  • - Media, mediana, momentos, etc.
  • - Desviación, varianza.
  • - Sesgos y medidas de homogeneidad de la información.
  • Aproximación breve al algebra lineal.
  • - Operaciones matriz-escalar.
  • - Operaciones matriz-matriz.
  • - Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad.
  • - Trasposición e inversa de una matriz.
  • Análisis de correlación de variables: fundamentos de estadística y probabilidad.
  • - Ingeniería de características: descarte y selección de características.
  • - Cómo analizar la correlación entre variables.
  • - Efecto de las correlaciones.
  • - Eliminación de la correlación.
  • Deducción estadística y contraste de hipótesis.
  • - Definición de una distribución una variable aleatoria.
  • - Definición de una función de probabilidad.
  • Desarrollo de los fundamentos de Big Data.
  • - Qué es el Big Data.
  • - Perfiles técnicos: Data Analyst, Engineer, Arquitect, QA...
  • - El proceso de construir un proyecto de Big Data.
  • - Arquitecturas de Big Data.
  • - Las claves del éxito del big data.
  • Identificación de los fundamentos de Machine Learning.
  • - Introducción al Machine Learning: Datos, algoritmos, modelos, producción...
  • - Aproximación a los algoritmos: clasificación, predicción y clustering.
  • - Creación de modelos de Machine Learning.
  • - Las claves del aprendizaje automático.
  • - La productivización de modelos.
  • Análisis de los fundamentos de IA: Visión, NPL...
  • - Introducción al Deep Learning y sus aplicaciones.
  • - Tipos de redes neuronales y su entrenamiento.
  • - Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL.
  • Conocimientos avanzados de Python Crash Course.
  • - Uso de pycharm como entorno de trabajo.
  • - Uso de notebooks.
  • - Conocimiento de la sintaxis del lenguaje: bucles, variables.
  • - Librerías.
  • - Funciones.
  • - Programación orientada a objetos en Python.
  • Aproximación a la arquitectura de la información y al SQL.
  • - Qué es la arquitectura de datos.
  • - Modelo relacional tradicional.
  • - Modelo estrella.
  • - Modelo copo de nieve.
  • - Bases de la normalización de datos.
  • - Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, índice y partición.
  • - SQL.
  • - Sintaxis del lenguaje.
  • Identificación del Crash course de python para data engineers: SQL y dataframes.
  • - Consulta de datos.
  • - Cruce de tablas.
  • - Inserción y borrado.
  • - Dataframes:
  • * Qué es una serie.
  • * Qué es un dataframe.
  • * Cruces con dataframe.
  • * Funciones lambda con columnas.
  • * Leer y salvar datos desde y a dataframe desde distintos formatos.
  • Diferenciación entre ETL/ELT y preproceso de datos.
  • - ELT o ETL.
  • - Pipelines de datos.
  • - ¿Cómo estructurar los distintos pasos del workflow de datos?
  • - Automatización de procesos.
  • Aplicación del proceso del análisis exploratorio.
  • - Arranque de un proceso exploratorio.
  • - Los objetivos de un análisis exploratorio.
  • - Uso del proceso exploratorio para validación de hipótesis.
  • - Naturaleza iterativa del proceso.
  • Utilización de herramientas de visualización exploratoria y librerías.
  • - Análisis descriptivo gráfico.
  • - Análisis descriptivo basado en estadísticos.
  • Realización de análisis univariante y multivariante.
  • - Análisis multivariante.
  • - Análisis univariante.
  • Conocimiento de la Estadística descriptiva.
  • - Media, mediana, momentos, etc.
  • - Desviación, varianza.
  • - Sesgos y medidas de homogeneidad de la información.
  • Aproximación breve al algebra lineal.
  • - Operaciones matriz-escalar.
  • - Operaciones matriz-matriz.
  • - Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad.
  • - Trasposición e inversa de una matriz.
  • Análisis de correlación de variables: fundamentos de estadística y probabilidad.
  • - Ingeniería de características: descarte y selección de características.
  • - Cómo analizar la correlación entre variables.
  • - Efecto de las correlaciones.
  • - Eliminación de la correlación.
  • Deducción estadística y contraste de hipótesis.
  • - Definición de una distribución una variable aleatoria.
  • - Definición de una función de probabilidad.
SCORM 3

Conocimiento avanzado de machine learning & artificial intelligence

  • Aproximación a la modelización.
  • - Introducción a la modelización.
  • - Tipos de modelos.
  • Identificación de los Modelos de regresión.
  • - Modelos de regresión simple.
  • - Modelos de regresión múltiple.
  • - Modelos de regresión generalizado.
  • Clasificación de los distintos modelos de Árboles: .
  • - Modelos de inferencia de árboles de decisión y regresión:
  • * Clasificadores binarios.
  • * Regresión.
  • - Modelos de inferencia de árboles de decisión: clasificadores multiclase.
  • - Modelos avanzados de árboles:
  • * Boosting.
  • * Random forest.
  • Conocimientos de Algoritmos alternativos de clasificación.
  • Conocimientos de Eager y Lazy classifiers
  • Utilización de Clustering.
  • - Introducción a los modelos no supervisados.
  • - Análisis clúster.
  • Aproximación al método científico:
  • - Evaluación de modelos.
  • Evaluación y optimización de modelos:
  • - Control de outliers y análisis de residuos.
  • - Modelos no supervisados.
  • - Modelos supervisados.
  • Creación de Ingeniería de variables:
  • - Principios de la ingeniería de variables en la creación de variables.
  • - La dimensionalidad.
  • - Técnicas: PCA y SVD.
  • Ensamblado de modelos:
  • - Definición de model ensembles.
  • - Modelos débiles y modelos fuertes.
  • - Creación de pipelines para crear modelos ensamblados.
  • Gestión del ciclo de vida de los modelos.
  • Interpretabilidad.
  • Aproximación a modelos heurísticos de optimización.
  • Conocimiento de los algoritmos genéticos.
  • - Principios de optimización basado en heurísticos.
  • - Gradiente descendente.
  • - Modelos basados en comportamientos animales.
  • - El algoritmo genético.
  • - Aplicaciones de los algoritmos genéticos.
  • - Cromosoma y función de fitness.
  • - Resolución de un problema usando algoritmos genéticos.
  • Utilización de series temporales y forecasting.
  • - Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad.
  • - Series estacionarias y no estacionarias.
  • - Análisis de anomalías.
  • - Suavizado exponencial.
  • - Modelos autoregresivos.
  • - Modelos univariantes y multivariantes.
  • - Modelos arima.
  • - Modelos con parametrización automática.
  • Gestión de proyectos de Data Science.
SCORM 4

Aplicaciones del deep learning

  • Aproximación a redes neuronales artificiales (ANN).
  • - ¿Qué es una red neuronal artificial?
  • - Tipos de redes: profundas y superficiales (shallow).
  • - Técnica del gradiente descendiente.
  • Conocimiento de los campos de aplicación de ANN.
  • - Visión por computador.
  • - Análisis y síntesis del lenguaje.
  • - Análisis de secuencias.
  • - GAN y deepfake.
  • Aproximación al Shallow & Deep neural networks. Introducción CNN.
  • - Perceptrón simple.
  • - Topologías de redes neuronales.
  • - MNIST.
  • - Regularización: L1, L2, dropout y otros.
  • - Creación de una CNN con keras.
  • Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN).
SCORM 5

Entornos big data & cloud

  • Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y altamente escalables.
  • - Comprender el papel del Big data en la ciencia de datos.
  • - Apache Spark.
  • - Spark en modo batch y en semi-tiempo real (microbatches).
  • - Lazy evaluation.
  • Utilización de Dataframes y Data pipelines en Spark.
  • - Operaciones sobre dataframes (SQL o pyspark).
  • - Creación de data pipelines con spark.
  • - Transformación de dataframes.
  • Creación de modelos de Machine Learning en Spark.
  • - Entrenamiento de modelos e integración en pipelines.
  • - Aplicación de la inferencia de modelos en Spark.
  • Despliegue de pipelines de modelos con Spark.
  • Desarrollo de modelos con proveedores de Cloud Machine Learning.
SCORM 6

Visualización de los datos

  • Comprensión de las claves del storytelling a través de los datos.
  • La ciencia de la visualización de datos y el storytelling: su valor en el mundo profesional.
  • Uso del storytelling con datos.
  • Principios de la comunicación visual de los datos.
  • Uso de los distintos controles visuales.
  • Comprensión de los conceptos Business Intelligence y Data Visualization.
  • Entender el proceso para trabajar en la herramienta de visualización en un contexto de Business Intelligence.
  • Fuentes de datos, tratamiento y preparación de datos, modelaje de datos (relaciones), análisis exploratorio y específicos, visualización y reporting.
  • Profundización en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos.
  • Entorno de PowerBI: organización y componentes.
  • Importación de datos.
  • Visualizaciones básicas realizando agrupaciones y aplicando filtros.
  • Trabajar y preparar los datos: columnas calculadas, medidas, fórmulas con DAX, tablas calculadas…
  • Trabajar con tablas matrices para aumentar la granularidad de los informes.
  • Filtrar los datos de manera dinámica con la segmentación de datos.
  • Aproximación a la herramienta Tableau.
SCORM 7

Habilidades y competencias de gestión, personales y sociales, para el entorno digital

  • Impulso de habilidades digitales:
  • - Liderazgo participativo.
  • - Gestión del cambio.
  • - Inteligencia emocional.
  • - Storytelling.
  • - Creación de marca personal.
  • - Comunicación y negociación en entornos digitales.
  • Comprensión de las competencias necesarias para el nuevo entorno digital:
  • - La influencia digital.
  • - La colaboración en el entorno.
  • - La integración de la diversidad.
  • - La gestión emocional.
  • - La agilidad en toma de decisiones.
  • - La anticipación en contextos digitales.
  • - La flexibilidad para la transformación.
  • - La asunción de incertidumbre y riesgos.
  • - La elaboración, gestión y difusión de contenidos.
  • Conocimiento de las herramientas imprescindibles para:
  • - El trabajo colaborativo.
  • - El trabajo en remoto.
  • - La gestión de proyectos.
  • - 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.

Más contenidos de Programación y Desarrollo

Ver los 500 →