Data engineering & inteligencia artificial

Conocimiento del lenguaje Python para el tratamiento de datos y el desarrollo de modelos

Manejo de los fundamentos matemáticos y estadísticos necesarios para la IA

El dominio de la manipulación, exploración y limpieza de datos

Conocimiento del análisis descriptivo y estadístico de los datos

Conocimiento del análisis exploratorio y geoespacial de la oferta de alojamientos turísticos en determinados programas sobre las ciudades españolas

Conocer el análisis de preferencias de usuarios sobre lista de reproducciones de programas musicales

Conocimiento de los principios de Machine Learning o aprendizaje automático, fuzzy logic o lógica difusa, el concepto de vida artificial, sistemas expertos, data mining o minería de datos y de redes bayesianas

Conocimiento inicial en áreas relacionadas con la inteligencia artificial

Casos de uso para la visualización de desarrollos en coches automatizados, robótica de alta gama, gestión del tráfico basada en IA, mantenimiento de la red inteligente etc

Conocimiento de los principios del Machine Learning

Comprensión del aprendizaje supervisado, aplicaciones de clasificación y regresión

Comprensión del aprendizaje no supervisado, aplicaciones de segmentación y clustering

Desarrollo de técnicas de aprendizaje y evaluación, interpretación de principales métricas de calidad

Creación de modelos avanzados de Machine Learning y técnicas específicas de ajuste y mejora

Comprensión del algoritmo de predicción de rotación de clientes de un operador de telecomunicaciones

El trabajo con la segmentación de clientes de un portal de e-commerce a partir del comportamiento en la web

Conocimiento de las bases para desarrollar, hacer pruebas y aplicar algoritmos de análisis predictivo sobre diferentes tipos de datos para predecir el futuro

Cómo acelerar el análisis de datos y hacer que sea más preciso, sabiendo asignar a las máquinas tareas centrales del análisis de datos como la clasificación, el clustering o la detección de anomalías

Conocimiento del aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo

Tipos de modelos y aplicaciones

Conocimiento de casos de éxito reales y cómo funcionan: coches autónomos, asistentes inteligentes, inteligencia en videojuegos, deepfakes

El trabajo del ecosistema especializado Python para Deep learning con tensorflow y keras

Estudio del entorno de predicción del precio de la vivienda en España con datos del sector inmobiliario e indicadores socioeconómicos

La detención del fraude bancario con datos de transacciones entre cuentas de particulares

Estudio del entendimiento de los procesos internos de las funciones de activación en Deep learning

Conocimiento de sigmoide, la tanh y la ReLU

Conocimiento de una red neuronal artificial y sus niveles jerárquicos

Conocimiento de IBM watson developer cloud, Amazon Machine Learning, Azure Machine Learning, TensorFlow o BigML

Entendimiento y aplicabilidad del Deep learning como elemento de la aproximación a la percepción humana

Estudio de los modelos para clasificación y segmentación de imágenes

Desarrollo de aplicaciones y modelos de visión artificial

El trabajo con las BBDD y modelos disponibles para su integración

El trabajo de la segmentación y detección de peatones y obstáculos desde la cámara de un coche autónomo

Creación de un modelo de diagnóstico asistido a partir de imágenes médicas

La extracción de información significativa a partir de imágenes digitales, videos y otras entradas visuales, y la toma medidas o realización de recomendaciones en función de esa información

Las aplicaciones y fundamentos del procesamiento de lenguaje natural

El trabajo de los modelos para la transcripción de audio a texto

El trabajo de los modelos para el análisis semántico del texto, detección de sentimiento o entidades

La práctica con modelos para generación de sentencias y diálogo

Entendimiento de ecosistema tecnológico de soluciones, keras/TensorFlow, HugginFace, BERT, GPT-3

El desarrollo y creación de una arquitectura de asistente virtual automatizado para un call center, generación de diálogos y sentencias

La realización del análisis automatizado del sentimiento sobre una marca a través de twitter

La creación de un modelo que aprenda a escribir fake-news de manera autónoma

Conocimiento avanzado en modelos lógicos: gramáticas

Conocimiento avanzado en modelos probabilísticos del lenguaje natural: basados en datos

Procesamiento del lenguaje: análisis morfológico o léxico, análisis sintáctico, análisis semántico y análisis pragmático

Trasladar los conocimientos técnicos a la realidad diaria

Asimilación de la importancia de los desarrollos de ingeniería informática con la aplicación del aprendizaje profundo

Mejora de la comprensión analítica de los problemas que tienen las organizaciones

Entendimiento de la aplicabilidad del aprendizaje automático para procesar e interpretar textos y datos

Profundización en la psicología humana para proyectar en las máquinas

Conocimiento de las redes neuronales recurrentes

El dominio de los modelos con memoria LSTM y GRU

Procesos de implementación en keras

Desarrollo de un taller de optimización de logística para estimar la demanda y el stock de una planta de producción simulada

Realización de una predicción de aforo en partidos de fútbol de la liga

Conocimiento avanzado en análisis de series temporales univariantes

Predicción de series temporales con redes neuronales

Predicción de series temporales con Deep learning

Manejo de datos perdidos en series temporales

Introducción a series temporales con r

Conocimiento de las series temporales avanzadas: aplicación de redes neuronales para el pronóstico de series de tiempo

Aprendizaje de los fundamentos y aplicaciones de los modelos generativos

Trabajo con la arquitectura y solución mediante aprendizaje profundo

Ejemplos reales de aplicación

Aplicación de una GAN básica para resolver problemas complejos

Generaración de contenido multimedia sintético, caras inventadas o videos de famosos tipo DeepFake

Realización de entrenamiento de un modelo para detectar comportamientos anómalos en una máquina industrial

Entendimiento de redes neuronales generativas adversaria y su aplicación

Implicación en el aprendizaje de modelos generativos para dar soluciones a problemas complejos

Mejora de la capacidad espacial y analítica

Mejorar el potencial profesional aumentando la visión de negocio con la aplicación de tecnologías de nueva generación

Marketing digital y los modelos generativos

Visibilidad completa en la generación de caras con GANs

Arquitectura profunda con algoritmos de aprendizaje

Principales técnicas de entrenamiento de un modelo generativo

El trabajar con variational autoencoders

Desarrollos con generative adversarial networks

Desarrollo del entrenamiento simultáneo de dos arquitecturas y aplicaciones

El aprendizaje reforzado, principios y aplicaciones

Exposición de ejemplos de casos de éxito y sus fundamentos

Aprendizaje de técnicas estadísticas y basadas en modelos

Realización del entrenamiento de un modelo capaz de jugar de manera autónoma a videojuegos ATARI

Entrenamiento de un modelo capaz de optimizar campañas de publicidad en redes sociales de manera autónoma

Conocimiento y trabajo para desarrollar q-learning

El juego en Python

Obtención de soluciones en el mantenimiento predictivo o la personalización de experiencias de cliente

La optimización como concepto de mejora y el Machine Learning

Criterios en algoritmos para el control de aprendizaje

Principales métodos (método de montecarlo, métodos de diferencias temporales)

Introducción a los mecanismos de exploración inteligente

El uso de la visión transversal del MLOps

Profundización en aplicaciones y casos de éxito de la IA

El manejo de metodologías ágiles aplicadas a inteligencia artificial

Conocimiento avanzado en tecnologías cloud (AWS, Google cloud y Azure) para la implantación de la IA

Integración de un modelo de IA para recomendaciones en una aplicación web

Desarrollo de un modelo de IA para detección del fraude en un sistema de transacciones

Implantación de un modelo de reconocimiento facial en una aplicación móvil

El proceso de desarrollo de productos en 6 etapas

Desarrollo de instrucciones paso a paso; preguntas planteadas en lenguaje matemático y código de programación

El trabajo con bots: programa de software automatizado diseñado

Aplicación de sistemas autónomos

Tipos arquitectónicos de alto nivel: inteligencia artificial pregenerada, modelos de inteligencia artificial pregenerados de AI Builder e inteligencia artificial personalizada

Introducción a lenguajes de código

Aportaciones prácticas. Actores relacionados

Metodología XIA: principales técnicas empleadas

Modelos basados en percepción visual, en interpretación matemática y en el procesamiento y comparación de datos

Sectores e industrias involucradas

Factores condicionantes

Predicciones y decisiones

Justificación de resultados

Explicabilidad de los algoritmos

Explicaciones locales y globales

Privacidad de los datos

Trabajo en el aprendizaje de las máquinas como un proceso comprensible

Reglamento General de Protección de Datos (GDPR)

Técnicas complejas de IA, como el aprendizaje profundo y algoritmos genéticos

Aprendizaje de combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano

Evaluación de las necesidades de Big Data y analítica de datos

Jupyter notebook

Sintáxis básica de Python

Gestión de proyectos en Python

Evaluación de la eficiencia del código

El trabajo con las funciones comunes en Python

Aprendizaje de desarrollo de programas de forma completa con Python

Aprendizaje de trabajo con módulos de código que intercambiables

Las tareas del interprete en Python

Aprendizaje del procesamiento e ingeniería de datos en Python

Analítica de datos con Python: cálculo estadístico descriptivo e inferencial, visualización con matplotlib y seaborn

El trabajo con listas en Python, los condicionales "if" y los bucles "for"

Funciones en Python y la librería "pandas"

Comprensión de las aplicaciones de analítica avanzada que utilizan Python

Aplicación de Python en el conocimiento de los fundamentos y técnicas de web scraping

Conocimiento sobre la necesidad y adopción de las tecnologías Big Data

Estudio de arquitecturas de referencia: data lake y lakehouse

Examen a las limitaciones y soluciones de la arquitectura de análisis de datos existente en un caso de uso

Identificación del ecosistema Hadoop y soluciones de computación escalable distribuida relacionadas con el ecosistema Spark

Fundamentos y ecosistema Apache Spark

Funciones del arquitecto de datos

Principales productos y herramientas que una organización utiliza para gestionar los datos

Modelo de interacciones entre sistemas de datos

El trabajo con Apache Spark, componentes y detalles técnicos de la arquitectura

Utilización de la sintaxis principal de pyspark

Caracterización de la carga de datos y funcionalidad básica de un DataFrame en pyspark

Transformaciones básicas en PySpark

Manipulación y transformación con pyspark: agregaciones, uniones, funciones de ventana

Serialización y almacenamiento de datos dentro de un data lake: Apache parquet, particionado de ficheros, delta lake

Ejemplos y casos prácticos de soluciones empresariales

Depuración y optimización de procesos

El estudio avanzado de las arquitecturas basadas en eventos

La utilización de casos de uso de procesamiento continuado

Introducción a Apache kafka

Procesamiento en streaming con pyspark

Conocimiento avanzado en el procesamiento escalable, de alto rendimiento y con tolerancia a fallos de flujos de datos en streaming

Structured Spark streaming: interfaz basado en Spark SQL

Aplicación del motor unificado de analíticas para procesar datos a gran escala que integra módulos para SQL, streaming, aprendizaje automático y procesamiento de grafos

La ejecución de forma independiente o en Apache Hadoop, Apache mesos, kubernetes, la nube y distintas fuentes de datos

Spark stack y Spark core

Aplicación de Spark MLlib a proyectos de analítica avanzada

Ejemplos de problemas predictivos de regresión y clasificación con pyspark MLlib

Conocimiento del procesamiento en memoria

Introducción a la analítica avanzada: cómo realizar consultas SQL y su uso para Machine Learning con librerías de data science como MLlib y GraphX

Abstracción RDD (resilient distributed dataset)

Evaluación perezosa y resultados

Conocimiento de principales herramientas del Business Intelligence

El desarrollo de cuadros de mandos

Dominio de métricas, indicadores y KPI's

Inicio en la metodología agile: Scrum y Kanban en sus proyectos

Dominio de artifacts en proyectos agile

Aprendizaje de los principales procesos, patrones de actuación y cuadros de mando de mayor utilidad para cada proyecto

Los problemas al tratar con diversas fuentes de datos, al usar diferentes herramientas y la pérdida de tiempo cuando estos no tienen las mismas métricas

Análisis en profundidad de datos con el objetivo de localizar patrones no visibles

La traducción de complejos volúmenes de datos provenientes de diversas herramientas (ERP, web, BBDD, CRM, …) bajo paneles únicos para crear visualizaciones interactivas y comprensibles

Diferenciación de los datos necesarios para recoger y realizar un análisis enfocado en la toma de decisiones

Aprender las principales componentes de la solución Power BI

Obtención y carga de datos en Power BI

Modelo lógico Power BI y manejo de relaciones

La transformación de los datos

Asumir la seguridad y los roles

Aprendizaje del trabajo en entornos colaborativos

Dominio de la exportación de datos y creación de alarmas

Conocimiento de las principales herramientas de minería de datos con el objeto de localizar y recopilar los datos, procesarlos y clasificarlos

Conocimiento de las principales herramientas OLAP (online analytical processing) para comenzar a trabajar con tablas de bases de datos relacionales

Conocimiento avanzado en herramientas de cuadros de mando para aprender a visualizar la evolución del rendimiento de los principales KPIs con gráficos e iconos para su propia necesidad o al servicio de la dirección de la empresa

Conocimiento de las principales herramientas de modelización para poder crear los planes de negocio basados en datos y simular el comportamiento en el mercado o en una situación hipotética

Aprendizaje del conjunto dinámico y estático

Combinación de conjuntos

Conjunto con parámetros

Dashboard: uniformidad en las fuentes, líneas de referencia, droplines y tooltips

Conocimiento del análisis interactivo enriquecido con acciones de conjunto de Tableau

El trabajo con las principales técnicas de mapeo avanzado con Tableau

Aprendizaje de la base del análisis avanzado con los primeros pasos en r, Python y MATLAB

La mejora de procesos de visualización de datos en forma de varios gráficos y mapas

Aprendizaje de los múltiples joins en Tableau

Comparación entre campos calculados vs cálculos de tabla

El análisis de cálculos de tabla avanzados

Explicación específica de la dirección de un cálculo

Cálculo de tablas propios

Media móvil de una segunda capa

Aseguramiento de la calidad para cálculos de tablas

Conocimiento de líneas de tendencia para Power-insights

La importancia del storyline

Aprendizaje del análisis interactivo enriquecido con acciones de conjunto de Tableau

Practicas con casos de uso de tablas avanzadas para alcanzar objetivos eficientes

Aprendizaje de box plots en Tableau

Conocimiento de grandes conjuntos de datos en Tableau

La descripción de pivot split

Las líneas de tendencia

Blending avanzado de series de tiempo

Aprendizaje del análisis interactivo enriquecido con acciones de conjunto de Tableau a un nivel profesional

Trabajo con aspectos iniciales en la predicción de situaciones con el fin de proyectarlos en el aprendido con el Machine Learning

Practica con casos de uso con datos avanzados

Aprendizaje de las relaciones de blending

Conocimiento de los procesos de visualización

Animaciones

Datos de un blend (manual y avanzado)

Conocimiento avanzado en el análisis interactivo enriquecido con acciones de conjunto de Tableau a un nivel profesional

El trabajo con las principales técnicas de desarrollo de dashboard

Asimilación de cómo impactar con BI

Ampliar la visión de soluciones empresariales a partir del análisis de Business Intelligence

Interés por ser experto en el Business Intelligence para proyectos de tamaño medio

Ganar autoconfianza para la toma de decisiones basadas en la explotación de datos

Mejora de la capacidad multitask

Ampliar el uso de herramientas disruptivas para completar el perfil profesional con el dominio de la visualización y realizar el análisis de la distribución espacial de datos

Preferencias en animaciones

Aprendizaje de workbook

Intuición de cálculos LOD

ATTR() en Tableau

Include/exclude

Múltiples campos en un cálculo LOD

Fixed

Conocimiento avanzado en la configuración de la visualización

Creación de la expresión LOD

Utilización de la expresión LOD en la visualización

Expresión LOD rápida

Tipos de expresiones LOD

Sintaxis de las expresiones LOD

Aprendizaje de los mapas de fondo

Herramientas de dibujo

Cálculos de distancias

Mapas con mapbox

Cómo conectar y unir datos a fuentes de datos espaciales comunes en Tableau, como archivos de forma y SQL Server

Aprendizaje de los diferentes modos de análisis en la distribución espacial de datos

Aprendizaje de las funciones y medidas DAX en el modelo de datos

Visualizaciones avanzadas de datos

Segmentación de datos y opciones de configuración adicional

El servicio en la nube

Configuración y opciones de trabajo colaborativo

Aprendizaje de las principales herramientas de minería de datos con el objeto de localizar y recopilar los datos, procesarlos y clasificarlos a través de Power BI

Estudio de las herramientas de cuadros de mando para aprender a visualizar la evolución del rendimiento de los principales KPIs con gráficos e iconos

Aprendizaje base de la herramienta

Script y carga de datos: mapping, crosstable, range, cargas personalizadas, variables, y bucle for

Desarrollo de aplicaciones: variables y su aplicación, objetivos personalizados

La visualización de datos de autoservicio para la exploración libre de datos

Aprendizaje de una analítica guiada con el fin de alinear a los usuarios en un proceso o flujo de trabajo estándar

Mejora en los procesos de analítica integrada, enfocado a mejorar los sitios web y las aplicaciones y aplicaciones de analítica personalizada, para respaldar procesos y usos específicos de negocio

Conocimiento necesario para mejorar los sitios web y las aplicaciones y aplicaciones de analítica personalizada, para respaldar procesos y usos específicos de negocio

Programación avanzada en Python para la creación de aplicaciones modernas

Dominio de las arquitecturas de datos para procesos intensivos en datos

Creación de bases de datos NoSQL y principales patrones de aplicación, ejemplos con MongoDB, cassandra, Neo4j y DynamoDB

Arquitecturas aplicadas y diseño de APIs REST

Introducción al Cloud Computing y primeros pasos con Amazon Web Services

Creación del backend de una red social a gran escala desplegada en cloud

Implementación de un backend cloud para el almacenamiento y búsqueda geoespacial de una aplicación de alquiler turístico

Aspectos iniciales de la arquitectura de microservicios (MSA)

Las operaciones transaccionales donde participan múltiples microservicios

Prácticas con ejemplos en los que los modelos transaccionales avanzados suponen una alternativa para la implementación de transacciones de larga duración en microservicios

Entendimiento de ACID ( atomicidad, coherencia, aislamiento y durabilidad) y su aplicación

Aprendizaje de diseños de flujos de trabajo transaccionales mediante cloud run, pub/sub, workflows y datastore

Conocimiento de arquitecturas basadas en microservicios

El desarrollo de arquitecturas con contenedores docker y kubernetes

Conocimiento de las arquitecturas desacopladas: CQRS y event sourcing

El trabajo con sistemas de comunicación basados en eventos, colas, pub/sub y brokers: ejemplos con Apache kafka, AWS SNS y RabbitMQ

Implementación de una arquitectura en tiempo real de gestión de stock y pedidos a gran escala

Creación de un sistema de adquisición de datos de vehículos a gran escala para simular una aplicación de movilidad urbana

Aspectos más importantes de EDA (event-driven architecture)

Conocimiento de todos los procesos y etapas de un evento

El desarrollo de un patrón de arquitectura a través de un mecanismo que garantice la comunicación entre sus componentes

El inicio de creación de una aplicación a través del desarrollo de un modelo y una arquitectura de software

Conocimiento inicial de las primeras nociones de Apache kafka para la transmisión de datos distribuida en el procesamiento de eventos

La gestión de la publicación, el almacenamiento y el procesamiento de flujos de eventos de inmediato

Aprendizaje de la necesidad y motivación para la creación de una arquitectura de datos empresarial en la nube

El desarrollo de patrones modernos de implantación: data warehouse, data lake y data lakehouse

Conocimiento del modelado y acceso a la información con SQL, patrones avanzados y modelado multidimensional

El diseño y la implementación de un data lake moderno en una empresa retail de Internet a gran escala, identificación de entidades de negocio y creación del modelo de datos

La descripción de la estructura de los activos de datos lógicos y físicos y los recursos de gestión de datos de una organización

El trabajo con modelos, políticas, reglas y estándares que rigen la recopilación, el almacenamiento, la disposición, la integración y el uso de datos en las organizaciones

El trabajo inicial con canalizaciones de datos, con el almacenamiento en la nube, computación en la nube

El uso de API y desarrollo de modelos de IA y ML básicos

Conocimiento en transmisión de datos y en orquestación de contenedores

Los principales marcos de arquitectura de datos (DAMA-DMBOK 2, marco zachman para arquitectura empresarial y el marco de arquitectura de grupo abierto (TOGAF)

Prácticas recomendadas de la arquitectura de datos moderna

Profundización de la inteligencia artificial (IA), la automatización, el Internet de las cosas (IoT) y la cadena de bloques a través de las arquitecturas de datos modernas

Entender el procesamiento ETL, ELT o EL para el movimiento y transformación de datos entre sistemas transaccionales e informacionales

Adquisición y procesamiento de datos semi estructurados o no estructurados mediante APIs o web scraping

Extracción de patrones mediante expresiones regulares y motores de búsqueda como ElasticSearch

Extracción automatizada de datos de activos de bolsa y criptomonedas para crear un sistema de análisis para inversores

Web scraping sobre datos en tiempo real de reservas de vuelos y precios

Aprendizaje de técnicas de control de la extracción de datos y su automatización, disminuyendo el tiempo empleado en el descubrimiento de procesos no documentados, minimizando el margen de error y permitiendo mayor flexibilidad

La gestión integrada del data warehouse y los data marts; integrando la extracción, transformación y carga para la construcción del data warehouse corporativo y de los data marts

Aprendizaje del uso de la arquitectura de metadatos, facilitando la definición de los objetos de negocio y las reglas de consolidación

Entender el ecosistema y fundamentos de tecnologías Big Data: Apache Hadoop

Prácticas de transformación de datos masivos con Apache Spark

Dominio del procesamiento en tiempo real con Apache Spark streaming

El trabajo con las arquitecturas y soluciones cloud para trabajar con grandes volúmenes de datos, AWS athena y Google Big query

Desarrollo de patrones avanzados para almacenar y procesar grandes volúmenes de datos

Cómo analizar datos de un dataset masivo de reviews de productos con más de 1000 millones de reviews para una empresa de retail

Desarrollo de análisis en tiempo real de twitter en trending topics a nivel internacional

Dominio del procesamiento de datos de forma continua

Realización de la monitorización de sistemas, de redes y de aplicaciones

Aprendizaje y trabajo con dispositivos Internet of things (IoT)

Desarrollo de sistemas de recomendación y optimización de resultados

Ejemplos sobre transacciones financieras, detección de fraude y trading

Cómo desarrollar el seguimiento de usuarios en páginas web y comercio electrónico

Creación de notificaciones en dispositivos y aplicaciones móviles en tiempo real

El trabajo con habilidades duras sobre el gobierno del dato orientada a perfiles técnicos

Dominio de roles y procesos en el gobierno de datos

Las dimensiones a gobernar; calidad, trazabilidad, estandarización y regulación de los datos

Cómo sobrevivir e implantar correctamente políticas de gobierno en contextos de Big Data y Cloud Computing

La identificación y creación de los distintos componentes de gobierno del dato en un escenario real de un proyecto de Big Data

La adopción de medidas necesarias para que los datos sean seguros, privados, precisos, disponibles y utilizables

El establecimiento de estándares internos de políticas de datos que regulen la recopilación, el almacenamiento, el proceso y la eliminación de los datos

El diseño de procesos para la recogida, proceso, protección y almacenamiento de datos de una organización, para ser utilizados en la toma de decisiones estratégicas que permitan mejorar los resultados de negocio

Conocimiento de los principales procesos para implementar una infraestructura de gobierno de datos con el fin de aumentar el valor de los datos de una organización

Cómo impulsar los conocimientos sobre datos y escala, así como garantizar la integridad de los datos, su precisión, exhaustividad y coherencia

Conocimiento del Machine Learning y a la inteligencia artificial

Principales procesos de analítica y puesta en producción de modelos

Principales tecnologías y entornos cloud

Conocimiento de las principales técnicas de explotación de los datos masivos

Análisis de aspectos críticos