Experto Universitario en
Data

Tema 1. Introducción: La importancia del dato

• 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.

Tema 2. Nociones iniciales de Python, data engineering y estadística

• 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.

Tema 3. Conocimiento avanzado de Machine Learning & Artificial Intelligence

• 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.

Tema 4. Aplicaciones del Deep Learning

• 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).

Tema 5. Entornos Big Data & Cloud

• 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.

Tema 6. Visualización de 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.

Tema 7. Habilidades y competencias de gestión, personales y sociales, para el 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.

El Desafío Integrador del Experto está diseñado para graduados, donde se espera una aplicación y análisis detallados en Data. Este proyecto final desafía a los estudiantes a enfrentar un problema específico o una oportunidad en su campo de estudio, requiriendo un enfoque analítico, creativo y estratégico. La tarea incluirá la formulación de hipótesis, la recopilación y análisis de datos, y la presentación de conclusiones sólidamente argumentadas. El soporte y la orientación del equipo docente estarán disponibles a lo largo del proyecto para potenciar la calidad y el impacto del trabajo final.