RESPONSABLE EXPERTO DE DATA (IFCT107)

Duración en horas: 240

OBJETIVOS

- 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.
- 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.
- 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.
- 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.
- 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.
- Conocer los entornos de Big Data para Data Science, para construir modelos escalables y desplegar y lanzar las soluciones en la nube.
- Utilizar las claves y fundamentos de la visualización para crear historias con los datos.
- 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.

CONTENIDOS

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