IFCT107

• 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

• 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.

• 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.

• 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).

• 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.

• 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..

• 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.