Contenido
Introducción
Introducción a MIOTI, iniciación en las plataformas que se van a utilizar durante el programa e iniciación en el curso.
Python for Beginners
Introducción a la programación y preparación para su aplicación en Data Science.
Data Science fundamentals
Introducción a conceptos fundamentales de data science. Presentación del marco de referencia general.
Data Science with Python
Python como framework del especialista de Data Science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, SQL, Logs) y no estructuradas (Web, Spark, Cassandra).
Data Strategy
Introducción a la gestión de los datos para alcanzar ventajas analíticas y conseguir nuestros objetivos de crecimiento.
Statistics for Data Science
Repaso de los fundamentos de estadística necesarios para dominar la ciencia de los datos.
Data Visualization
Herramientas para visualización de datos. Introducción a las técnicas y librerías mas utilizadas.
Data Storytelling
Estrategias para conectar los análisis de datos con los objetivos de negocio, desarrollar historias que conecten con distintos tipos de audiencias y métodos de presentar de forma creativa los datos.
Data Pre-processing
¿Cómo preprocesar adecuadamente
los datos? Aplicación de filtros, anonimización de datos, selección de atributos, sampling y reducción de dimensionalidad.
Big Data for Data Science
Conceptos fundamentales de soluciones Big Data. Arquitecturas de referencia y modelos de adopción con las principales tecnologías actuales, incluyendo procesos de ingesta, análisis y visualización de datos en tiempo real.
Soft Skills
Expertos profesionales darán una clase magistral de cómo presentar proyectos y skills de oratoria y negociación.
Predictive Analytics
Introducción al análisis de series temporales, revisión de los mejores algoritmos disponibles. Desarrollo de casos de uso de detección de anomalías y predicción de series.
Data Science for Business
Aplicaciones prácticas de la AI para negocio, Algorithm Driven Companies, Skills Transformations, Data Driven Companies.
Machine Learning
Introducción a los problemas de clasificación y clusterización. Construcción de data sets y evaluación de resultados.
Machine Learning II
Revisión de los principales algoritmos de aprendizaje supervisado bayes, vectores de
soporte, regresiones, y no supervisado y su aplicación.
Deep Learning
Introducción de conceptos fundamentales de las redes neuronales profundas. Recorrido teórico-práctico, aprender a utilizar las herramientas más importantes y a implementar soluciones desde cero antagónicos para la gestión de datos.
Computer Vision
Introducción a conceptos fundamentales de las técnicas de Visión por Computadora (Computer Vision). Recorrido teórico práctico de las principales técnicas.
Natural Language Preprocessing
Introducción a conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y máquinas por medio del lenguaje natural. Conocer las interacciones y su aplicación en el campo de inteligencia artificial.
Machine Learning III
Aplicación de redes convolucionales y modelos recurrentes profundos como TensorFlow en aplicaciones prácticas con imágenes. Implementación y diseño de modelos neuronales para la resolución de problemas de modelización/clasificación y diseño de GAN (modelos generativos
antagónicos) para la gestión de datos.
Final Project
Desarrollo de un proyecto final para afianzar los conocimientos adquiridos durante el programa.
