IFCT107
Responsable experto de data
240 HORAS |
Especialidades formativas del SEPE
Disponible
Más información
sobre licencias y conectores SCORM

Disponible

240 HORAS |
Disponible
Más información
sobre licencias y conectores SCORM
Disponible
Tipo de acción formativa: Especialidades formativas del SEPE
Formato: Curso SCORM en formato licencia
Título: Responsable experto de data
Código: IFCT107
Duración: 240 horas
Familia profesional: Informática y comunicaciones
Convocatoria: Convocatoria TIC
Disponibilidad: Disponible
Analizar desde una visión trasversal cómo la ciencia del dato se aplica en las diferentes áreas de la organización para impulsar sus capacidades (finanzas, recursos humanos, operaciones, atención al cliente...), concienciándose sobre el poder de los datos, tanto para mejorar la toma de decisiones como para crear modelos de negocio basados en datos.
• 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
• Capacidades numéricas y analíticas.
• Habilidad para trabajar en equipo y con las diferentes áreas de la compañía: Tecnologías de la Información, Seguridad, Legal, Ventas, etc.
• Conocimiento e interés por cómo evolucionan las áreas de Tecnología y Seguridad.
• Inquietud y alta motivación por seguir las novedades que se producen de forma continua en el entorno de los datos.
• Visión de negocio para buscar y entender el encaje de los datos en los productos y servicios a definir.
Entender las nociones claves de estadística, matemáticas y álgebra que son básicas para Data Science; así como la programación en Python para trabajar con los datos.
• 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.
Explorar y entender los datos para poder enfocar correctamente un problema, combinando diferentes modelos y, así, crear el que se requiera para dar solución al problema identificado y evaluar su funcionamiento para conseguir su optimización.
• 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.
• Inteligencia emocional: habilidad humana de comprender y gestionar las emociones en el ámbito profesional.
• Trabajo en equipo. Las claves del mejor trabajo en equipo:
- Confianza: cada colaborador debe confiar en los demás tanto como en sí mismo. El apoyo mutuo es imprescindible para garantizar la fluidez en los procesos.
- Equilibrio: dentro de cada equipo, cada persona tiene su propio rol y debe ser capaz de desarrollarlo de forma individual, en coherencia con los objetivos comunes.
- Pertenencia: sentirse involucrado con el equipo incentiva una mayor implicación, las ganas de hacer aportaciones valiosas y ver crecer cada proyecto.
• Adaptabilidad: el talento más flexible, que mejor se adapta a los nuevos escenarios es el más capacitado para materializar las soluciones más novedosas y originales.
• Pensamiento crítico: Es una competencia clave para complementar la lógica pura, detectar otras variables que pueden afectar a la toma de decisiones y no dar siempre por válida la primera opción.
• Resolución de problemas: Si la inteligencia artificial es una tecnología orientada a la inmediatez en los resultados, las personas deben ser capaces de crear las estrategias más adecuadas a cada situación para lograr obtener las mejores soluciones.
Profundizar en las aplicaciones del Deep Learning en reconocimiento de imágenes y proceso del lenguaje y entender el funcionamiento de los distintos modelos de redes neuronales.
• 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).
• Inteligencia emocional: habilidad humana de comprender y gestionar las emociones en el ámbito profesional.
• Trabajo en equipo. Las claves del mejor trabajo en equipo:
- Confianza: cada colaborador debe confiar en los demás tanto como en sí mismo. El apoyo mutuo es imprescindible para garantizar la fluidez en los procesos.
- Equilibrio: dentro de cada equipo, cada persona tiene su propio rol y debe ser capaz de desarrollarlo de forma individual, en coherencia con los objetivos comunes.
- Pertenencia: sentirse involucrado con el equipo incentiva una mayor implicación, las ganas de hacer aportaciones valiosas y ver crecer cada proyecto.
• Adaptabilidad: el talento más flexible, que mejor se adapta a los nuevos escenarios es el más capacitado para materializar las soluciones más novedosas y originales.
• Pensamiento crítico: Es una competencia clave para complementar la lógica pura, detectar otras variables que pueden afectar a la toma de decisiones y no dar siempre por válida la primera opción.
• Resolución de problemas: Si la inteligencia artificial es una tecnología orientada a la inmediatez en los resultados, las personas deben ser capaces de crear las estrategias más adecuadas a cada situación para lograr obtener las mejores soluciones.
Conocer los entornos de Big Data para data science, para construir modelos escalables y desplegar y lanzar las soluciones en la nube.
• 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.
• Capacidades numéricas y analíticas.
• Habilidad para trabajar en equipo y con las diferentes áreas de la compañía: IT, Seguridad, Legal, Ventas, etc.
• Conocimiento e interés por cómo evolucionan las áreas de Tecnología y Seguridad.
• Inquietud y alta motivación por seguir las novedades que se producen de forma continua en el entorno de los datos.
• Visión de negocio para buscar y entender el encaje de los datos en los productos y servicios a definir.
Utilizar las claves y fundamentos de la visualización para crear historias con 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..
• Habilidades analíticas y creativas para encontrar soluciones a problemas o necesidades de negocio, realizando el trabajo de manera exhaustiva, de un modo metódico, sistemático y creativo.
Conocer el nuevo entorno laboral VUCA (Volatility, Uncertainty, Complexity & Ambiguity), que requiere del dominio de herramientas de trabajo en red, colaborativas, ágiles; así como de las habilidades y competencias que se exigen para ser competitivo en el nuevo 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.
• Capacidad de síntesis para observar los datos y extraer su información útil y relevante.
• Capacidad crítica para ser capaz de cuestionar los datos y así desarrollar conclusiones en base a los mismos.
• Conocimientos en informática, matemáticas y estadística: estos perfiles deben poder analizar bases de datos, construir modelos y realizar previsiones estadísticas, etc.
• Facilidad para la comunicación para explicar los resultados del trabajo a gerentes y directores, generalmente sin formación técnica, de la empresa u organización.
*La temática y el diseño de la demo son orientativos
¿Cómo son los cursos de Smartmind?
Cursos con diseño profesional y contenido audiovisual interactivo en formato de licencia y cumplen 100% con las especificaciones del SEPE. Te presentamos los catálogos de cursos elearning en scorm más completos y avanzados del mercado. Mejoramos hasta el 30% las finalizaciones de tus cursos, se incrementan hasta un 70% los alumnos que repiten y empresas como Endesa, Correos o Telefónica forman parte de nuestra cartera de clientes. ¿No crees que por algo será?
¿Cómo funciona nuestro catálogo?
Los catálogos de Smartmind recogen contenidos digitales para empresas basados en un enfoque audiovisual avanzado gracias a los desarrollos de nuestra productora de vídeo y la creatividad de nuestros diseñadores. Además cuentan con un código de colores para identificar su disponibilidad y la actualización de los contenidos. Descubre alguna de estas etiquetas:
Previsto
Contenidos que se encuentra en la lista de espera de producciones de Smartmind y su ejecución depende de las peticiones de los clientes.
Disponible
Formación disponible de forma inmediata en nuestros catálogos. Eso sí, se diferencian entre contenidos actuales y anteriores a 2021.
En producción
El departamento de Producto se encuentra elaborando el contenido. Puede incorporarse la fecha de disponibilidad.
Todo lo que debes saber de los contenidos Smartmind
Desarrollos a medida
¿Por qué las licencias de los cursos on line en formato SCORM de Smartmind son la mejor opción para el éxito de tus programas formativos?
Pablo Lobato
Desarrollos a medida
Diseño, digitalización y producción de contenidos de aprendizaje a medida. Nuestro Framework de diseño
Pablo Lobato
¿Quieres acceder a nuestro catálogo?
Rellena tus datos y recibirás en tu mail el catálogo que deseas con todos nuestros contenidos elearning.
¿Tienes alguna duda o quieres más información?
Déjanos tus datos y nos pondremos en contacto contigo para resolverte todas tus dudas.
Rellena el formulario con tus datos y nos pondremos en contacto contigo para darte todos los detalles de nuestras licencias.
Déjanos tus datos y accede a nuestro catálogo con todos los cursos que puedes bonificar con tus créditos de formación.
Rellena el formulario con tus datos y nos pondremos en contacto contigo para darte todos los detalles para bonificar este curso