NUEVO CURSO BUSINESS INTELLIGENCE

Dirigidos a trabajadoras/es del sector/es: Cualquier sector de actividad.
Ámbito: Nacional.

Para acceder a este curso gratuito, es necesario estar en alguna de las siguientes situaciones:

• • Trabajador/a en activo, por cuenta ajena
• • Trabajador/a autónomo, por cuenta propia
• • Trabajador/a en situación de ERTE
• • Trabajador/a de la administración pública (máximo 10% de las plazas disponibles)

Importante: Es necesario disponer de ordenador y de conexión a internet fluida, para la realización de este curso

OBJETIVO GENERAL: 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

CONTENIDOS FORMATIVOS:

MÓDULO DE FORMACIÓN 1. INTRODUCCIÓN: LA IMPORTANCIA DEL DATO. (6 horas)

• • 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

MÓDULO DE FORMACIÓN 2. NOCIONES INICIALES DE PYTHON, DATA ENGINEERING Y ESTADÍSTICA. (24 horas)

• • 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 estadísticas
• • 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 álgebra 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

MÓDULO DE FORMACIÓN 3. CONOCIMIENTO AVANZADO DE MACHINE LEARNING & ARTIFICIAL INTELLIGENCE. (100 horas)

• • 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 autorregresivos
  • – Modelos univariantes y multivariantes
  • – Modelos arima
  • – Modelos con parametrización automática
• • Gestión de proyectos de Data Science

MÓDULO DE FORMACIÓN 4. APLICACIONES DEL DEEP LEARNING (36 horas)

• • 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)

MÓDULO DE FORMACIÓN 5. ENTORNOS BIG DATA & CLOUD (14 horas)

• • 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

MÓDULO DE FORMACIÓN 6. VISUALIZACIÓN DE LOS DATOS (30 horas)

• • 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

MÓDULO DE FORMACIÓN 7. HABILIDADES Y COMPETENCIAS DE GESTIÓN, PERSONALES Y SOCIALES, PARA EL ENTORNO DIGITAL (30 horas)

• • 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