Contarás con las técnicas más avanzadas en Inteligencia Artificial para diagnosticar enfermedades de forma eficiente y temprana, contribuyendo a mejorar la calidad de vida de los pacientes”

¿Por qué estudiar en TECH?

TECH es la mayor escuela de negocio 100% online del mundo. Se trata de una Escuela de Negocios de élite, con un modelo de máxima exigencia académica. Un centro de alto rendimiento internacional y de entrenamiento intensivo en habilidades directivas.

TECH es una universidad de vanguardia tecnológica, que pone todos sus recursos al alcance del alumno para ayudarlo a alcanzar el éxito empresarial”

En TECH Universidad Tecnológica

Innovación

La universidad ofrece un modelo de aprendizaje en línea que combina la última tecnología educativa con el máximo rigor pedagógico. Un método único con el mayor reconocimiento internacional que aportará las claves para que el alumno pueda desarrollarse en un mundo en constante cambio, donde la innovación debe ser la apuesta esencial de todo empresario.

“Caso de Éxito Microsoft Europa” por incorporar en los programas un novedoso sistema de multivídeo interactivo. 

Máxima exigencia

El criterio de admisión de TECH no es económico. No se necesita realizar una gran inversión para estudiar en esta universidad. Eso sí, para titularse en TECH, se podrán a prueba los límites de inteligencia y capacidad del alumno. El listón académico de esta institución es muy alto...

95% de los alumnos de TECH finaliza sus estudios con éxito.

Networking

En TECH participan profesionales de todos los países del mundo, de tal manera que el alumno podrá crear una gran red de contactos útil para su futuro. 

+100.000 directivos capacitados cada año, +200 nacionalidades distintas.

Empowerment

El alumno crecerá de la mano de las mejores empresas y de profesionales de gran prestigio e influencia. TECH ha desarrollado alianzas estratégicas y una valiosa red de contactos con los principales actores económicos de los 7 continentes.

+500 acuerdos de colaboración con las mejores empresas.

Talento

Este programa es una propuesta única para sacar a la luz el talento del estudiante en el ámbito empresarial. Una oportunidad con la que podrá dar a conocer sus inquietudes y su visión de negocio.

TECH ayuda al alumno a enseñar al mundo su talento al finalizar este programa.

Contexto multicultural

Estudiando en TECH el alumno podrá disfrutar de una experiencia única. Estudiará en un contexto multicultural. En un programa con visión global, gracias al cual podrá conocer la forma de trabajar en diferentes lugares del mundo, recopilando la información más novedosa y que mejor se adapta a su idea de negocio.

Los alumnos de TECH provienen de más de 200 nacionalidades.  

Aprende con los mejores

El equipo docente de TECH explica en las aulas lo que le ha llevado al éxito en sus empresas, trabajando desde un contexto real, vivo y dinámico. Docentes que se implican al máximo para ofrecer una especialización de calidad que permita al alumno avanzar en su carrera y lograr destacar en el ámbito empresarial.

Profesores de 20 nacionalidades diferentes.

TECH busca la excelencia y, para ello, cuenta con una serie de características que hacen de esta una universidad única:   

Análisis

En TECH se explora el lado crítico del alumno, su capacidad de cuestionarse las cosas, sus competencias en resolución de problemas y sus habilidades interpersonales.  

Excelencia académica

En TECH se pone al alcance del alumno la mejor metodología de aprendizaje online. La universidad combina el método Relearning (metodología de aprendizaje de posgrado con mejor valoración internacional), junto a los “case studies” de Harvard Business School. Tradición y vanguardia en un difícil equilibrio, y en el contexto del más exigente itinerario académico.

Economía de escala

TECH es la universidad online más grande del mundo. Tiene un portfolio de más de 10.000 posgrados universitarios. Y en la nueva economía, volumen + tecnología = precio disruptivo. De esta manera, se asegura de que estudiar no resulte tan costoso como en otra universidad. 

En TECH tendrás acceso a los análisis de casos más rigurosos y actualizados del panorama académico”

Este Grand Máster en MBA en Inteligencia Artificial en Práctica Clínica se compone de 30 completos y actualizados módulos, que ofrecerán materiales didácticos de primera calidad para otorgar al alumnado una comprensión integral sobre este ámbito. De este modo, la titulación universitaria incluirá temas dedicados a la algoritmia, sistemas inteligentes y aprendizaje automático. De este modo, los egresados aplicarán con inmediatez estas técnicas avanzadas a su praxis diaria para enriquecer sus proyectos. A su vez, el temario abordará aspectos como las redes neuronales, el entrenamiento de modelos, la deep computer vision o el procesamiento del lenguaje natural.

Profundizarás en la Minería de Datos para descubrir patrones o tendencias que resulten útiles para el proceso de la toma de decisiones, gracias a este Grand Máster 100% online”

Plan de Estudios

El Grand Máster en MBA en Inteligencia Artificial en Práctica Clínica de TECH Universidad Tecnológica es un programa intensivo que prepara a los alumnos para afrontar retos y decisiones empresariales, tanto a nivel nacional como internacional. Su contenido está pensado para favorecer el desarrollo de las competencias organizacionales que permitan la toma de decisiones con un mayor rigor en entornos inciertos.

A lo largo de 3.000 horas de estudio, el alumno analizará multitud de casos prácticos mediante el trabajo individual, logrando un aprendizaje de gran calidad que podrá aplicar, posteriormente, a su práctica diaria. Se trata, por tanto, de una auténtica inmersión en situaciones reales de negocio.

Este programa trata en profundidad las principales áreas de las Inteligencia Artificial y está diseñado para que los directivos entiendan su aplicabilidad en la Práctica Clínica desde una perspectiva estratégica, internacional e innovadora.

Un plan pensado para los alumnos, enfocado a su mejora profesional y que los prepara para alcanzar la excelencia en el ámbito de la Inteligencia Artificial en Práctica Clínica. Un programa que entiende sus necesidades y las de su empresa mediante un contenido innovador basado en las últimas tendencias, y apoyado por la mejor metodología educativa y un claustro excepcional, que les otorgará competencias para resolver situaciones críticas de forma creativa y eficiente.

Este programa se desarrolla a lo largo de 24 meses y se divide en 30 módulos::

Módulo 1. Liderazgo, Ética y Responsabilidad Social de las Empresas 
Módulo 2. Dirección estratégica y Management Directivo 
Módulo 3. Dirección de personas y gestión del talento 
Módulo 4. Dirección económico-financiera 
Módulo 5. Dirección de operaciones y logística 
Módulo 6. Dirección de sistemas de información 
Módulo 7. Gestión Comercial, Marketing Estratégico y Comunicación Corporativa 
Módulo 8. Investigación de mercados, publicidad y dirección comercial 
Módulo 9. Innovación y Dirección de Proyectos 
Módulo 10. Management Directivo 
Módulo 11. Fundamentos de la Inteligencia Artificial   
Módulo 12. Tipos y ciclo de vida del dato   
Módulo 13. El dato en la Inteligencia Artificial   
Módulo 14. Minería de datos. Selección, preprocesamiento y transformación 
Módulo 15. Algoritmia y complejidad en Inteligencia Artificial
Módulo 16. Sistemas Inteligentes 
Módulo 17. Aprendizaje automático y minería de datos 
Módulo 18. Las redes neuronales, base de Deep Learning   
Módulo 19. Entrenamiento de redes neuronales profundas   
Módulo 20. Personalización de modelos y entrenamiento con TensorFlow 
Módulo 21. Deep Computer Vision con Redes Neuronales Convolucionales
Módulo 22. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención   
Módulo 23. Autoencoders, GANs, y modelos de difusión   
Módulo 24. Computación bioinspirada    
Módulo 25. Inteligencia Artificial: Estrategias y aplicaciones 
Módulo 26. Diagnóstico en la práctica clínica mediante IA 
Módulo 27. Tratamiento y control del paciente con IA 
Módulo 28. Personalización de la salud a través de la IA 
Módulo 29. Análisis de Big Data en el sector salud con IA 
Módulo 30. Ética y regulación en la IA médica

¿Dónde, cuándo y cómo se imparte?

TECH te ofrece la posibilidad de desarrollar este programa de manera totalmente online. Durante los 24 meses que dura la capacitación, podrás acceder a todos los contenidos de este programa en cualquier momento, lo que te permitirá autogestionar tú mismo tu tiempo de estudio.

Módulo 1. Liderazgo, Ética y Responsabilidad Social de las Empresas

1.1. Globalización y gobernanza

1.1.1. Gobernanza y Gobierno Corporativo
1.1.2. Fundamentos del Gobierno Corporativo en las empresas
1.1.3. El rol del Consejo de Administración en el marco del Gobierno Corporativo

1.2. Liderazgo

1.2.1. Liderazgo. Una aproximación conceptual
1.2.2. Liderazgo en las empresas
1.2.3. La importancia del líder en la dirección de empresas

1.3. Cross Cultural Management

1.3.1. Concepto de Cross Cultural Management
1.3.2. Aportaciones al Conocimiento de Culturas Nacionales
1.3.3. Gestión de la diversidad

1.4. Desarrollo directivo y liderazgo

1.4.1. Concepto de desarrollo directivo
1.4.2. Concepto de liderazgo
1.4.3. Teorías del liderazgo
1.4.4. Estilos de liderazgo
1.4.5. La inteligencia en el liderazgo
1.4.6. Los desafíos del líder en la actualidad

1.5. Ética empresarial

1.5.1. Ética y moral
1.5.2. Ética empresarial
1.5.3. Liderazgo y ética en las empresas

1.6. Sostenibilidad

1.6.1. Sostenibilidad y desarrollo sostenible
1.6.2. Agenda 2030
1.6.3. Las empresas sostenibles

1.7. Responsabilidad social de la empresa

1.7.1. Dimensión internacional de la responsabilidad social de las empresas
1.7.2. Implementación de la responsabilidad social de la empresa
1.7.3. Impacto y medición de la responsabilidad social de la empresa

1.8. Sistemas y herramientas de gestión responsable

1.8.1. RSC: La responsabilidad social corporativa
1.8.2. Aspectos esenciales para implantar una estrategia de gestión responsable
1.8.3. Pasos para la implantación de un sistema de gestión de responsabilidad social corporativa
1.8.4. Herramientas y estándares de la RSC

1.9. Multinacionales y derechos humanos

1.9.1. Globalización, empresas multinacionales y derechos humanos
1.9.2. Empresas multinacionales frente al derecho internacional
1.9.3. Instrumentos jurídicos para multinacionales en materia de derechos humanos

1.10. Entorno legal y Corporate Governance

1.10.1. Normas internacionales de importación y exportación
1.10.2. Propiedad intelectual e industrial
1.10.3. Derecho Internacional del Trabajo

Módulo 2. Dirección estratégica y Management Directivo

2.1. Análisis y diseño organizacional

2.1.1. Marco conceptual
2.1.2. Factores clave en el diseño organizacional
2.1.3. Modelos básicos de organizaciones
2.1.4. Diseño organizacional: Tipologías

2.2. Estrategia corporativa

2.2.1. Estrategia corporativa competitiva
2.2.2. Estrategias de crecimiento: Tipologías
2.2.3. Marco conceptual

2.3. Planificación y formulación estratégica

2.3.1. Marco conceptual
2.3.2. Elementos de la planificación estratégica
2.3.3. Formulación estratégica: Proceso de la planificación estratégica

2.4. Pensamiento estratégico

2.4.1. La empresa como un sistema
2.4.2. Concepto de organización

2.5. Diagnóstico financiero

2.5.1. Concepto de diagnóstico financiero
2.5.2. Etapas del diagnóstico financiero
2.5.3. Métodos de evaluación para el diagnóstico financiero

2.6. Planificación y estrategia

2.6.1. El plan de una estrategia
2.6.2. Posicionamiento estratégico
2.6.3. La estrategia en la empresa

2.7. Modelos y patrones estratégicos

2.7.1. Marco conceptual
2.7.2. Modelos estratégicos
2.7.3. Patrones estratégicos: Las Cinco P´s de la Estrategia

2.8. Estrategia competitiva

2.8.1. La ventaja competititva
2.8.2. Elección de una estrategia competitiva
2.8.3. Estrategias según el Modelo del Reloj Estratégico
2.8.4. Tipos de estrategias según el ciclo de vida del sector industrial

2.9. Dirección estratégica

2.9.1. El concepto de estrategia
2.9.2. El proceso de dirección estratégica
2.9.3. Enfoques de la dirección estratégica

2.10. Implementación de la estrategia

2.10.1. Sistemas de indicadores y enfoque por procesos
2.10.2. Mapa estratégico
2.10.3. Alineamiento estratégico

2.11. Management Directivo

2.11.1. Marco conceptual del Management Directivo
2.11.2. Management Directivo. El Rol del Consejo de Administración y herramientas de gestión corporativas

2.12. Comunicación estratégica

2.12.1. Comunicación interpersonal
2.12.2. Habilidades comunicativas e influencia
2.12.3. La comunicación interna
2.12.4. Barreras para la comunicación empresarial

Módulo 3. Dirección de personas y gestión del talento

3.1. Comportamiento organizacional

3.1.1. Comportamiento organizacional. Marco conceptual
3.1.2. Principales factores del comportamiento organizacional

3.2. Las personas en las organizaciones

3.2.1. Calidad de vida laboral y bienestar psicológico
3.2.2. Equipos de trabajo y la dirección de reuniones
3.2.3. Coaching y gestión de equipos
3.2.4. Gestión de la igualdad y diversidad

3.3. Dirección estratégica de personas

3.3.1. Dirección estratégica y Recursos Humanos
3.3.2. Dirección estratégica de personas

3.4. Evolución de los recursos. Una visión integrada

3.4.1. La importancia de RRHH
3.4.2. Un nuevo entorno para la gestión y dirección de personas
3.4.3.  Dirección estratégica de RRHH

3.5. Selección, dinámicas de grupo y reclutamiento de RRHH

3.5.1. Aproximación al reclutamiento y la selección
3.5.2. El reclutamiento
3.5.3. El proceso de selección

3.6. Gestión de Recursos Humanos por competencias

3.6.1. Análisis del potencial
3.6.2. Política de retribución
3.6.3. Planes de carrera/sucesión

3.7. Evaluación del rendimiento y gestión del desempeño

3.7.1. La gestión del rendimiento
3.7.2. Gestión del desempeño: Objetivos y proceso

3.8. Gestión de la formación

3.8.1.  Las teorías del aprendizaje
3.8.2. Detección y retención del talento
3.8.3. Gamificación y la gestión del talento
3.8.4. La formación y la obsolescencia profesional

3.9. Gestión del talento

3.9.1. Claves para la gestión positiva
3.9.2. Origen conceptual del talento y su implicación en la empresa
3.9.3. Mapa del talento en la organización
3.9.4. Coste y valor añadido

3.10. Innovación en gestión del talento y las personas

3.10.1. Modelos de gestión el talento estratégico
3.10.2. Identificación, formación y desarrollo del talento
3.10.3. Fidelización y retención
3.10.4. Proactividad e innovación

3.11. Motivación

3.11.1. La naturaleza de la motivación
3.11.2. La teoría de las expectativas
3.11.3. Teorías de las necesidades
3.11.4. Motivación y compensación económica

3.12. Employer Brandin

3.12.1. Employer branding en RRHH
3.12.2. Personal Branding para profesionales de RRHH

3.13. Desarrollo de equipos de alto desempeño 

3.13.1. Los equipos de alto desempeño: los equipos autogestionados 
3.13.2. Metodologías de gestión de equipos autogestionados de alto desempeño 

3.14. Desarrollo competencial directivo

3.14.1. ¿Qué son las competencias directivas?
3.14.2. Elementos de las competencias
3.14.3. Conocimiento
3.14.4. Habilidades de dirección
3.14.5. Actitudes y valores en los directivos
3.14.6. Habilidades directivas

3.15. Gestión del tiempo

3.15.1. Beneficios
3.15.2. ¿Cuáles pueden ser las causas de una mala gestión del tiempo?
3.15.3. Tiempo
3.15.4. Las ilusiones del tiempo
3.15.5. Atención y memoria
3.15.6. Estado mental
3.15.7. Gestión del tiempo
3.15.8. Proactividad
3.15.9. Tener claro el objetivo
3.15.10. Orden
3.15.11. Planificación

3.16. Gestión del cambio

3.16.1. Gestión del cambio
3.16.2. Tipo de procesos de gestión del cambio
3.16.3. Etapas o fases en la gestión del cambio

3.17. Negociación y gestión de conflictos

3.17.1. Negociación
3.17.2. Gestión de conflictos
3.17.3. Gestión de crisis

3.18. Comunicación directiva

3.18.1. Comunicación interna y externa en el ámbito empresarial
3.18.2. Departamentos de Comunicación
3.18.3. El responsable de Comunicación de la empresa. El perfil del Dircom

3.19. Gestión de Recursos Humanos y equipos PRL

3.19.1. Gestión de recursos humanos y equipos
3.19.2. Prevención de riesgos laborales

3.20. Productividad, atracción, retención y activación del talento

3.20.1. La productividad
3.20.2. Palancas de atracción y retención de talento

3.21. Compensación monetaria vs. no monetaria

3.21.1. Compensación monetaria vs. no monetaria
3.21.2. Modelos de bandas salariales
3.21.3. Modelos de compensación no monetaria
3.21.4. Modelo de trabajo
3.21.5. Comunidad corporativa
3.21.6. Imagen de la empresa
3.21.7. Salario emocional

3.22. Innovación en gestión del talento y las personas II

3.22.1. Innovación en las Organizaciones  
3.22.2. Nuevos retos del departamento de Recursos Humanos 
3.22.3. Gestión de la Innovación  
3.22.4. Herramientas para la Innovación 

3.23. Gestión del conocimiento y del talento

3.23.1. Gestión del conocimiento y del talento
3.23.2. Implementación de la gestión del conocimiento

3.24. Transformación de los recursos humanos en la era digital

3.24.1. El contexto socioeconómico
3.24.2. Nuevas formas de organización empresarial
3.24.3. Nuevas metodologías

Módulo 4. Dirección económico-financiera

4.1. Entorno económico

4.1.1. Entorno macroeconómico y el sistema financiero nacional
4.1.2. Instituciones financieras
4.1.3. Mercados financieros
4.1.4. Activos financieros
4.1.5. Otros entes del sector financiero

4.2. La financiación de la empresa

4.2.1. Fuentes de financiación
4.2.2. Tipos de costes de financiación

4.3. Contabilidad directiva

4.3.1. Conceptos básicos
4.3.2. El activo de la empresa
4.3.3. El pasivo de la empresa
4.3.4. El patrimonio neto de la empresa
4.3.5. La cuenta de resultados

4.4. De la contabilidad general a la contabilidad de costes

4.4.1. Elementos del cálculo de costes
4.4.2. El gasto en contabilidad general y en contabilidad de costes
4.4.3. Clasificación de los costes

4.5. Sistemas de información y Business Intelligence

4.5.1. Fundamentos y clasificación
4.5.2. Fases y métodos de reparto de costes
4.5.3. Elección de centro de costes y efecto

4.6. Presupuesto y control de gestión

4.6.1. El modelo presupuestario
4.6.2. El Presupuesto de Capital
4.6.3. La Presupuesto de Explotación
4.6.5. El Presupuesto de Tesorería
4.6.6. Seguimiento del Presupuesto

4.7. Gestión de tesorería

4.7.1. Fondo de Maniobra Contable y Fondo de Maniobra Necesario
4.7.2. Cálculo de Necesidades Operativas de Fondos
4.7.3. Credit Management

4.8. Responsabilidad fiscal de las empresas

4.8.1. Conceptos tributarios básicos
4.8.2. El impuesto de sociedades
4.8.3. El impuesto sobre el valor añadido
4.8.4. Otros impuestos relacionados con la actividad mercantil
4.8.5. La empresa como facilitador de la labor del Estado

4.9. Sistemas de control de las empresas

4.9.1. Análisis de los estados financieros
4.9.2. El Balance de la empresa
4.9.3. La Cuenta de Pérdidas y Ganancias
4.9.4. El Estado de Flujos de Efectivo
4.9.5. Análisis de Ratios

4.10. Dirección Financiera

4.10.1. Las decisiones financieras de la empresa
4.10.2. El departamento financiero
4.10.3. Excedentes de tesorería
4.10.4. Riesgos asociados a la dirección financiera
4.10.5. Gestión de riesgos de la dirección financiera

4.11. Planificación Financiera

4.11.1. Definición de la planificación financiera
4.11.2. Acciones a efectuar en la planificación financiera
4.11.3. Creación y establecimiento de la estrategia empresarial
4.11.4. El cuadro Cash Flow
4.11.5. El cuadro de circulante

4.12. Estrategia Financiera Corporativa

4.12.1. Estrategia corporativa y fuentes de financiación
4.12.2. Productos financieros de financiación empresarial

4.13. Contexto macroeconómico

4.13.1. Contexto macroeconómico
4.13.2. Indicadores económicos relevantes
4.13.3. Mecanismos para el control de magnitudes macroeconómicas
4.13.4. Los ciclos económicos

4.14. Financiación estratégica

4.14.1. La autofinanciación
4.14.2. Ampliación de fondos propios
4.14.3. Recursos híbridos
4.14.4. Financiación a través de intermediarios

4.15. Mercados monetarios y de capitales

4.15.1. El Mercado Monetario
4.15.2. El Mercado de Renta Fija
4.15.3. El Mercado de Renta Variable
4.15.4. El Mercado de Divisas
4.15.5. El Mercado de Derivados

4.16. Análisis y planificación financiera

4.16.1. Análisis del Balance de Situación
4.16.2. Análisis de la Cuenta de Resultados
4.16.3. Análisis de la Rentabilidad

4.17. Análisis y resolución de casos/problemas

4.17.1. Información financiera de Industria de Diseño y Textil, S.A. (INDITEX)

Módulo 5. Dirección de operaciones y logística

5.1. Dirección y gestión de operaciones

5.1.1. La función de las operaciones
5.1.2. El impacto de las operaciones en la gestión de las empresas
5.1.3. Introducción a la estrategia de operaciones
5.1.4. La dirección de operaciones

5.2. Organización industrial y logística

5.2.1. Departamento de organización industrial
5.2.2. Departamento de logística

5.3. Estructura y tipos de producción (MTS, MTO, ATO, ETO, etc.)

5.3.1. Sistema de producción
5.3.2. Estrategia de producción
5.3.3. Sistema de gestión de inventario
5.3.4. Indicadores de producción

5.4. Estructura y tipos de aprovisionamiento

5.4.1. Función del aprovisionamiento
5.4.2. Gestión de aprovisionamiento
5.4.3. Tipos de compras
5.4.4. Gestión de compras de una empresa de forma eficiente
5.4.5. Etapas del proceso de decisión de la compra

5.5. Control económico de compras

5.5.1. Influencia económica de las compras
5.5.2. Centro de costes
5.5.3. Presupuestación
5.5.4. Presupuestación vs gasto real
5.5.5. Herramientas de control presupuestario

5.6. Control de las operaciones de almacén

5.6.1. Control de inventario
5.6.2. Sistema de ubicación
5.6.3. Técnicas de gestión de stock
5.6.4. Sistema de almacenamiento

5.7. Gestión estratégica de compras

5.7.1. Estrategia empresarial
5.7.2. Planeación estratégica
5.7.3. Estrategia de compras

5.8. Tipologías de la Cadena de Suministro (SCM)

5.8.1. Cadena de suministro
5.8.2. Beneficios de la gestión de la cadena suministro
5.8.3. Gestión logística en la cadena de suministro

5.9. Supply Chain management

5.9.1. Concepto de Gestión de la Cadena de Suministro (SCM)
5.9.2. Costes y eficiencia de la cadena de operaciones
5.9.3. Patrones de demanda
5.9.4. La estrategia de operaciones y el cambi

5.10. Interacciones de la SCM con todas las áreas

5.10.1. Interacción de la cadena de suministro
5.10.2. Interacción de la cadena de suministro. Integración por partes
5.10.3. Problemas de integración de la cadena de suministro
5.10.4. Cadena de suministro 4.0

5.11. Costes de la logística

5.11.1. Costes logísticos
5.11.2. Problemas de los costes logísticos
5.11.3. Optimización de costes logísticos

5.12. Rentabilidad y eficiencia de las cadenas logísticas: KPIS

5.12.1. Cadena logística
5.12.2. Rentabilidad y eficiencia de la cadena logística
5.12.3. Indicadores de rentabilidad y eficiencia de la cadena logística

5.13. Gestión de procesos

5.13.1. La gestión de procesos
5.13.2. Enfoque basado en procesos: Mapa de procesos
5.13.3. Mejoras en la gestión de procesos

5.14. Distribución y logística de transportes

5.14.1. Distribución en la cadena de suministro
5.14.2. Logística de transportes
5.14.3. Sistemas de Información Geográfica como soporte a la logística

5.15. Logística y clientes

5.15.1. Análisis de demanda
5.15.2. Previsión de demanda y ventas
5.15.3. Planificación de ventas y operaciones
5.15.4. Planeamiento participativo, pronóstico y reabastecimiento (CPFR)

5.16. Logística internacional

5.16.1. Procesos de exportación e importación
5.16.2. Aduanas
5.16.3. Formas y medios de pago internacionales
5.16.4. Plataformas logísticas a nivel internacional

5.17. Outsourcing de operaciones

5.17.1. Gestión de operaciones y Outsourcing
5.17.2. Implantación del outsourcing en entornos logísticos

5.18. Competitividad en operaciones

5.18.1. Gestión de operaciones
5.18.2. Competitividad operacional
5.18.3. Estrategia de operaciones y ventajas competitivas

5.19. Gestión de la calidad

5.19.1. Cliente interno y cliente externo
5.19.2. Los costes de calidad
5.19.3. La mejora continua y la filosofía de Deming

Módulo 6. Dirección de sistemas de información

6.1. Entornos tecnológicos

6.1.1. Tecnología y globalización
6.1.2. Entorno económico y tecnología
6.1.3. Entorno tecnológico y su impacto en las empresas

6.2. Sistemas y tecnologías de la información en la empresa

6.2.1. Evolución del modelo de IT
6.2.2. Organización y departamento IT
6.2.3. Tecnologías de las información y entorno económico

6.3. Estrategia corporativa y estrategia tecnológica

6.3.1. Creación de valor para clientes y accionistas
6.3.2. Decisiones estratégicas de SI/TI
6.3.3. Estrategia corporativa vs. estrategia tecnológica y digital

6.4. Dirección de Sistemas de Información

6.4.1. Gobierno Corporativo de la tecnología y los sistemas de información
6.4.2. Dirección de los sistemas de información en las empresas
6.4.3. Directivos expertos en sistemas de información: Roles y funciones

6.5. Planificación estratégica de Sistemas de Información

6.5.1. Sistemas de información y estrategia corporativa
6.5.2. Planificación estratégica de los sistemas de información
6.5.3. Fases de la planificación estratégica de los sistemas de información

6.6. Sistemas de información para la toma de decisiones

6.6.1. Business Intelligence
6.6.2. Data Warehouse
6.6.3. BSC o Cuadro de Mando Integral

6.7. Explorando la información

6.7.1. SQL: Bases de datos relacionales. Conceptos básicos
6.7.2. Redes y comunicaciones
6.7.3. Sistema operacional: Modelos de datos normalizados
6.7.4. Sistema estratégico: OLAP, modelo multidimensional y dashboards gráfico
6.7.5. Análisis estratégico de BBDD y composición de informes

6.8. Business Intelligence empresarial

6.8.1. El mundo del dato
6.8.2. Conceptos relevantes
6.8.3. Principales características
6.8.4. Soluciones en el mercado actual
6.8.5. Arquitectura global de una solución BI
6.8.6. Ciberseguridad en BI y Data Science

6.9. Nuevo concepto empresarial

6.9.1. ¿Por qué BI?
6.9.2. Obtención de la información
6.9.3. BI en los distintos departamentos de la empresa
6.9.4. Razones para invertir en BI

6.10. Herramientas y soluciones BI

6.10.1. ¿Cómo elegir la mejor herramienta?
6.10.2. Microsoft Power BI, MicroStrategy y Tableau
6.10.3. SAP BI, SAS BI y Qlikview
6.10.4. Prometeus

6.11. Planificación y dirección Proyecto BI

6.11.1. Primeros pasos para definir un proyecto de BI
6.11.2.  Solución BI para la empresa
6.11.3. Toma de requisitos y objetivos

6.12. Aplicaciones de gestión corporativa

6.12.1. Sistemas de información y gestión corporativa
6.12.2. Aplicaciones para la gestión corporativa
6.12.3. Sistemas Enterpise Resource Planning o ERP

6.13. Transformación digital

6.13.1. Marco conceptual de la transformación digital
6.13.2. Transformación digital; elementos clave, beneficios e inconvenientes
6.13.3. Transformación digital en las empresas

6.14. Tecnologías y tendencias

6.14.1. Principales tendencias en el ámbito de la tecnología que están cambiando los modelos de negocio
6.14.2. Análisis de las principales tecnologías emergentes

6.15. Outsourcing de TI

6.15.1. Marco conceptual del outsourcing
6.15.2. Outsourcing de TI y su impacto en los negocios
6.15.3. Claves para implementar proyectos corporativos de outsourcing de TI

Módulo 7. Gestión Comercial, Marketing Estratégico y Comunicación Corporativa

7.1. Dirección comercial

7.1.1. Marco conceptual de la dirección comercial
7.1.2. Estrategia y planificación comercial
7.1.3. El rol de los directores comerciales

7.2. Marketing

7.2.1. Concepto de Marketing
7.2.2. Elementos básicos del Marketing
7.2.3. Actividades de Marketing de la empresa

7.3. Gestión estratégica del Marketing

7.3.1. Concepto de Marketing estratégico
7.3.2. Concepto de planificación estratégica de Marketing
7.3.3. Etapas del proceso de planificación estratégica de Marketing

7.4. Marketing digital y comercio electrónico

7.4.1. Objetivos del Marketing digital y comercio electrónico
7.4.2. Marketing digital y medios que emplea
7.4.3. Comercio electrónico. Contexto general
7.4.4. Categorías del comercio electrónico
7.4.5. Ventajas y desventajas del E-Commerce frente al comercio tradicional

7.5. Managing Digital Business

7.5.1. Estrategia competitiva ante la creciente digitalización de los medios
7.5.2. Diseño y creación de un plan de Marketing digital
7.5.3. Análisis del ROI en un plan de Marketing digital

7.6. Marketing digital para reforzar la marca

7.6.1. Estrategias online para mejorar la reputación de tu marca
7.6.2. Branded Content & Storytelling

7.7. Estrategia de Marketing digital

7.7.1. Definir la estrategia del Marketing digital
7.7.2. Herramientas de la estrategia de Marketing digital

7.8. Marketing digital para captar y fidelizar clientes

7.8.1. Estrategias de fidelización y vinculación a través de Internet
7.8.2. Visitor Relationship Management
7.8.3. Hipersegmentación

7.9. Gestión de campañas digitales

7.9.1. ¿Qué es una campaña de Publicidad digital?
7.9.2. Pasos para lanzar una campaña de Marketing online
7.9.3. Errores de las campañas de Publicidad digital

7.10. Plan de Marketing online

7.10.1. ¿Qué es una un plan de Marketing online?
7.10.2. Pasos para crear un plan de Marketing online
7.10.3. Ventajas de disponer un plan de Marketing online

7.11. Blended Marketing

7.11.1. ¿Qué es el Blended Marketing?
7.11.2. Diferencias entre Marketing Online y Offline
7.11.3. Aspectos a tener en cuenta en la estrategia de Blended Marketing
7.11.4. Características de una estrategia de Blended Marketing
7.11.5. Recomendaciones en Blended Marketing
7.11.6. Beneficios del Blended Marketing

7.12. Estrategia de ventas

7.12.1. Estrategia de ventas
7.12.2. Métodos de ventas

7.13. Comunicación corporativa

7.13.1 Concepto
7.13.2 Importancia de la comunicación en la organización
7.13.3 Tipo de la comunicación en la organización
7.13.4 Funciones de la comunicación en la organización
7.13.5 Elementos de la comunicación
7.13.6 Problemas de la comunicación
7.13.7 Escenarios de la comunicación

7.14. Estrategia de Comunicación Corporativa

7.14.1. Programas de motivación, acción social, participación y entrenamiento con RRHH
7.14.2. Instrumentos y soportes de comunicación interna
7.14.3. El plan de comunicación interna

7.15. Comunicación y reputación digital

7.15.1. Reputación online
7.15.2. ¿Cómo medir la reputación digital?
7.15.3. Herramientas de reputación online
7.15.4. Informe de reputación online
7.15.5. Branding online

Módulo 8. Investigación de mercados, publicidad y dirección comercial

8.1. Investigación de mercados

8.1.1. Investigación de mercados: Origen histórico
8.1.2. Análisis y evolución del marco conceptual de la investigación de mercados
8.1.3. Elementos claves y aportación de valor de la investigación de mercados

8.2. Métodos y técnicas de investigación cuantitativas

8.2.1. Tamaño muestral
8.2.2. Muestreo
8.2.3. Tipos de técnicas cuantitativas

8.3. Métodos y técnicas de investigación cualitativas

8.3.1. Tipos de investigación cualitativa
8.3.2. Técnicas de investigación cualitativa

8.4. Segmentación de mercados

8.4.1. Concepto de segmentación de mercados
8.4.2. Utilidad y requisitos de la segmentación
8.4.3. Segmentación de mercados de consumo
8.4.4. Segmentación de mercados industriales
8.4.5. Estrategias de segmentación
8.4.6. La segmentación con base a criterios del Marketing-Mix
8.4.7. Metodología de segmentación del mercado

8.5. Gestión de proyectos de investigación

8.5.1. La Investigación de mercados como un proceso
8.5.2. Etapas de planificación en la investigación de mercados
8.5.3. Etapas de ejecución en la investigación de mercados
8.5.4. Gestión de un proyecto de investigación

8.6. La investigación de mercados internacionales

8.6.1. Investigación de mercados internacionales
8.6.2. Proceso de la investigación de mercados internacionales
8.6.3. La importancia de las fuentes secundarias en las investigaciones de mercado internacionales

8.7. Los estudios de viabilidad

8.7.1. Concepto y utilidad
8.7.2. Esquema de un estudio de viabilidad
8.7.3. Desarrollo de un estudio de viabilidad

8.8. Publicidad

8.8.1. Antecedentes históricos de la Publicidad
8.8.2. Marco conceptual de la Publicidad: Principios, concepto de briefing y posicionamiento
8.8.3. Agencias de publicidad, agencias de medios y profesionales de la Publicidad
8.8.4. Importancia de la publicidad en los negocios
8.8.5. Tendencias y retos de la Publicidad

8.9. Desarrollo del plan de Marketing

8.9.1. Concepto del plan de Marketing
8.9.2. Análisis y diagnóstico de la situación
8.9.3. Decisiones estratégicas de Marketing
8.9.4. Decisiones operativas de Marketing

8.10. Estrategias de promoción y Merchandising

8.10.1. Comunicación de Marketing Integrada
8.10.2. Plan de Comunicación Publicitaria
8.10.3. El Merchandising como técnica de Comunicación

8.11. Planificación de medios

8.11.1. Origen y evolución de la planificación de medios
8.11.2. Medios de comunicación
8.11.3. Plan de medios

8.12. Fundamentos de la dirección comercial

8.12.1. La función de la dirección comercial
8.12.2. Sistemas de análisis de la situación competitiva comercial empresa/mercado
8.12.3. Sistemas de planificación comercial de la empresa
8.12.4. Principales estrategias competitivas

8.13. Negociación comercial

8.13.1. Negociación comercial
8.13.2. Las cuestiones psicológicas de la negociación
8.13.3. Principales métodos de negociación
8.13.4. El proceso negociador

8.14. Toma de decisiones en gestión comercial

8.14.1. Estrategia comercial y estrategia competitiva
8.14.2. Modelos de toma de decisiones
8.14.3. Analíticas y herramientas para la toma de decisiones
8.14.4. Comportamiento humano en la toma de decisiones

8.15. Dirección y gestión de la red de ventas

8.15.1. Sales Management. Dirección de ventas
8.15.2. Redes al servicio de la actividad comercial
8.15.3. Políticas de selección y formación de vendedores
8.15.4. Sistemas de remuneración de las redes comercial propias y externas
8.15.5. Gestión del proceso comercial. Control y asistencia a la labor de los comerciales basándose en la información

8.16. Implementación de la función comercial

8.16.1. Contratación de comerciales propios y agentes comerciales
8.16.2. Control de la actividad comercial
8.16.3. El código deontológico del personal comercial
8.16.4. Cumplimiento normativo
8.16.5. Normas comerciales de conducta generalmente aceptadas

8.17. Gestión de cuentas clave

8.17.1. Concepto de la gestión de cuentas clave
8.17.2. El Key Account Manager
8.17.3. Estrategia de la gestión de cuentas clave

8.18. Gestión financiera y presupuestaria

8.18.1. El umbral de rentabilidad
8.18.2. El presupuesto de ventas. Control de gestión y del plan anual de ventas
8.18.3. Impacto financiero de las decisiones estratégicas comerciales
8.18.4. Gestión del ciclo, rotaciones, rentabilidad y liquidez
8.18.5. Cuenta de resultados

Módulo 9. Innovación y Dirección de Proyectos

9.1. Innovación

9.1.1. Introducción a la innovación
9.1.2. Innovación en el ecosistema empresarial
9.1.3. Instrumentos y herramientas para el proceso de innovación empresarial

9.2. Estrategia de innovación

9.2.1. Inteligencia estratégica e innovación
9.2.2. Estrategia de innovación

9.3. Project Management para Startups

9.3.1. Concepto de startup
9.3.2. Filosofía Lean Startup
9.3.3. Etapas del desarrollo de una startup
9.3.4. El rol de un gestor de proyectos en una startup

9.4. Diseño y validación del modelo de negocio

9.4.1. Marco conceptual de un modelo de negocio
9.4.2. Diseño validación de modelos de negocio

9.5. Dirección y gestión de proyectos

9.5.1. Dirección y gestión de proyectos: Identificación de oportunidades para desarrollar proyectos corporativos de innovación
9.5.2. Principales etapas o fases de la dirección y gestión de proyectos de innovación

9.6. Gestión del cambio en proyectos: Gestión de la formación

9.6.1. Concepto de gestión del cambio
9.6.2. El proceso de gestión del cambio
9.6.3. La implementación del cambio

9.7. Gestión de la comunicación de proyectos

9.7.1. Gestión de las comunicaciones del proyecto
9.7.2. Conceptos clave para la gestión de las comunicaciones
9.7.3. Tendencias emergentes
9.7.4. Adaptaciones al equipo
9.7.5. Planificar la gestión de las comunicaciones
9.7.6. Gestionar las comunicaciones
9.7.7. Monitorear las comunicaciones

9.8. Metodologías tradicionales e innovadoras

9.8.1. Metodologías innovadoras
9.8.2. Principios básicos del Scrum
9.8.3. Diferencias entre los aspectos principales del Scrum y las metodologías tradicionales

9.9. Creación de una startup

9.3.1. Creación de una startup
9.3.2. Organización y cultura
9.3.3. Los diez principales motivos por los cuales fracasan las startups
9.3.4. Aspectos legales

9.10. Planificación de la gestión de riesgos en los proyectos

9.10.1. Planificar riesgos
9.10.2. Elementos para crear un plan de gestión de riesgos
9.10.3. Herramientas para crear un plan de gestión de riesgos
9.10.4. Contenido del plan de gestión de riesgos

Módulo 10. Management Directivo

10.1. General Management

10.1.1. Concepto de General Management
10.1.2. La acción del Manager General
10.1.3. El Director General y sus funciones
10.1.4. Transformación del trabajo de la dirección

10.2. El directivo y sus funciones. La cultura organizacional y sus enfoques

10.2.1. El directivo y sus funciones. La cultura organizacional y sus enfoques

10.3. Dirección de operaciones

10.3.1. Importancia de la dirección
10.3.2. La cadena de valor
10.3.3. Gestión de calidad

10.4. Oratoria y formación de portavoces

10.4.1. Comunicación interpersonal
10.4.2. Habilidades comunicativas e influencia
10.4.3. Barreras en la comunicación

10.5. Herramientas de. comunicaciones personales y organizacional

10.5.1. La comunicación interpersonal
10.5.2. Herramientas de la comunicación interpersonal
10.5.3. La comunicación en la organización
10.5.4. Herramientas en la organización

10.6. Comunicación en situaciones de crisis

10.6.1. Crisis
10.6.2. Fases de la crisis
10.6.3. Mensajes: Contenidos y momentos

10.7. Preparación de un plan de crisis

10.7.1. Análisis de posibles problemas
10.7.2. Planificación
10.7.3. Adecuación del personal

10.8. Inteligencia emocional

10.8.1. Inteligencia emocional y comunicación
10.8.2. Asertividad, empatía y escucha activa
10.8.3. Autoestima y comunicación emocional

10.9. Branding Personal

10.9.1. Estrategias para desarrollar la marca personal
10.9.2. Leyes del branding personal
10.9.3. Herramientas de la construcción de marcas personales

10.10. Liderazgo y gestión de equipos

10.10.1. Liderazgo y estilos de liderazgo
10.10.2. Capacidades y desafíos del líder
10.10.3. Gestión de procesos de cambio
10.10.4. Gestión de equipos multiculturales

Módulo 11. Fundamentos de la Inteligencia Artificial

11.1. Historia de la Inteligencia artificial

11.1.1. ¿Cuándo se empieza a hablar de Inteligencia Artificial?
11.1.2. Referentes en el cine
11.1.3. Importancia de la inteligencia artificial
11.1.4. Tecnologías que habilitan y dan soporte a la Inteligencia Artificia

11.2. La Inteligencia Artificial en juegos

11.2.1. Teoría de Juegos
11.2.2. Minimax y poda Alfa-Beta
11.2.3. Simulación: Monte Carlo

11.3. Redes de neuronas

11.3.1. Fundamentos biológicos
11.3.2. Modelo computacional
11.3.3. Redes de neuronas supervisadas y no supervisadas
11.3.4. Perceptrón simple
11.3.5. Perceptrón multicapa

11.4. Algoritmos genéticos

11.4.1. Historia
11.4.2. Base biológica
11.4.3. Codificación de problemas
11.4.4. Generación de la población inicial
11.4.5. Algoritmo principal y operadores genéticos
11.4.6. Evaluación de individuos: Fitness

11.5. Tesauros, vocabularios, taxonomías

11.5.1. Vocabularios
11.5.2. Taxonomías
11.5.3. Tesauros
11.5.4. Ontologías
11.5.5. Representación del conocimiento: Web semántica

11.6. Web semántica

11.6.1. Especificaciones: RDF, RDFS y OWL
11.6.2. Inferencia/razonamiento
11.6.3. Linked Data

11.7. Sistemas expertos y DSS

11.7.1. Sistemas expertos
11.7.2. Sistemas de soporte a la decisión

11.8. Chatbots y asistentes virtuales

11.8.1. Tipos de asistentes: Asistentes por voz y por texto
11.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo
11.8.3. Integraciones: Web, Slack, Whatsapp, Facebook
11.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

11.9. Estrategia de implantación de IA

11.10. Futuro de la inteligencia artificial
11.10.1. Entendemos cómo detectar emociones mediante algoritmos
11.10.2. Creación de una personalidad: Lenguaje, expresiones y contenido
11.10.3. Tendencias de la inteligencia artificial
11.10.4. Reflexiones

Módulo 12. Tipos y ciclo de vida del dato

12.1. La estadística

12.1.1. Estadística: Estadística descriptiva, estadística inferencias
12.1.2. Población, muestra, individuo
12.1.3. Variables: Definición, escalas de medida

12.2.1. Tipos de datos estadísticos

12.2.1.1. Según tipo
12.2.1.2. Cuantitativos: Datos continuos y datos discretos
12.2.1.3. Cualitativos: Datos binomiales, datos nominales y datos ordinales

12.2.2. Según su forma

12.2.2.1. Numérico
12.2.2.2. Texto
12.2.2.3. Lógico

12.2.3. Según su fuente

12.2.3.1. Primarios
12.2.3.2. Secundarios

12.3. Ciclo de vida de los datos

12.3.1. Etapas del ciclo
12.3.2. Hitos del ciclo
12.3.3. Principios FAIR

12.4. Etapas iniciales del ciclo

12.4.1. Definición de metas
12.4.2. Determinación de recursos necesarios
12.4.3. Diagrama de Gantt
12.4.4. Estructura de los datos

12.5. Recolección de datos

12.5.1. Metodología de recolección
12.5.2. Herramientas de recolección
12.5.3. Canales de recolección

12.6. Limpieza del dato

12.6.1. Fases de la limpieza de datos
12.6.2. Calidad del dato
12.6.3. Manipulación de datos (con R)

12.7. Análisis de datos, interpretación y valoración de resultados

12.7.1. Medidas estadísticas
12.7.2. Índices de relación
12.7.3. Minería de datos

12.8. Almacén del dato (Datawarehouse)

12.8.1. Elementos que lo integran
12.8.2. Diseño
12.8.3. Aspectos a considerar

12.9. Disponibilidad del dato

12.9.1. Acceso
12.9.2. Utilidad
12.9.3. Seguridad

12.10. Aspectos Normativos

12.10.1. Ley de protección de datos
12.10.2. Buenas prácticas
12.10.3. Otros aspectos normativos

Módulo 13. El dato en la Inteligencia Artificial

13.1. Ciencia de datos

13.1.1. La ciencia de datos
13.1.2. Herramientas avanzadas para el científico de datos

13.2. Datos, información y conocimiento

13.2.1. Datos, información y conocimiento
13.2.2. Tipos de datos
13.2.3. Fuentes de datos

13.3. De los datos a la información

13.3.1. Análisis de Datos
13.3.2. Tipos de análisis
13.3.3. Extracción de información de un Dataset

13.4. Extracción de información mediante visualización

13.4.1. La visualización como herramienta de análisis
13.4.2. Métodos de visualización
13.4.3. Visualización de un conjunto de datos

13.5. Calidad de los datos

13.5.1. Datos de calidad
13.5.2. Limpieza de datos
13.5.3. Preprocesamiento básico de datos

13.6. Dataset

13.6.1. Enriquecimiento del Dataset
13.6.2. La maldición de la dimensionalidad
13.6.3. Modificación de nuestro conjunto de datos

13.7. Desbalanceo

13.7.1. Desbalanceo de clases
13.7.2. Técnicas de mitigación del desbalanceo
13.7.3. Balanceo de un Dataset

13.8. Modelos no supervisados

13.8.1. Modelo no supervisado
13.8.2. Métodos
13.8.3. Clasificación con modelos no supervisados

13.9. Modelos supervisados

13.9.1. Modelo supervisado
13.9.2. Métodos
13.9.3. Clasificación con modelos supervisados

13.10. Herramientas y buenas prácticas

13.10.1. Buenas prácticas para un científico de datos
13.10.2. El mejor modelo
13.10.3. Herramientas útiles

Módulo 14. Minería de datos. Selección, preprocesamiento y transformación

14.1. La inferencia estadística

14.1.1. Estadística descriptiva vs Inferencia estadística
14.1.2. Procedimientos paramétricos
14.1.3. Procedimientos no paramétricos

14.2. Análisis exploratorio

14.2.1. Análisis descriptivo
14.2.2. Visualización
14.2.3. Preparación de datos

14.3. Preparación de datos

14.3.1. Integración y limpieza de datos
14.3.2. Normalización de datos
14.3.3. Transformando atributos

14.4. Los valores perdidos

14.4.1. Tratamiento de valores perdidos
14.4.2. Métodos de imputación de máxima verosimilitud
14.4.3. Imputación de valores perdidos usando aprendizaje automático

14.5. El ruido en los datos

14.5.1. Clases de ruido y atributos
14.5.2. Filtrado de ruido
14.5.3. El efecto del ruido

14.6. La maldición de la dimensionalidad

14.6.1. Oversampling
14.6.2. Undersampling
14.6.3. Reducción de datos multidimensionales

14.7. De atributos continuos a discretos

14.7.1. Datos continuos versus discretos
14.7.2. Proceso de discretización

14.8. Los datos

14.8.1. Selección de datos
14.8.2. Perspectivas y criterios de selección
14.8.3. Métodos de selección

14.9. Selección de instancias

14.9.1. Métodos para la selección de instancias
14.9.2. Selección de prototipos
14.9.3. Métodos avanzados para la selección de instancias

14.10. Preprocesamiento de datos en entornos Big Data

Módulo 15. Algoritmia y complejidad en Inteligencia Artificial

15.1. Introducción a las estrategias de diseño de algoritmos

15.1.1. Recursividad
15.1.2. Divide y conquista
15.1.3. Otras estrategias

15.2. Eficiencia y análisis de los algoritmos

15.2.1. Medidas de eficiencia
15.2.2. Medir el tamaño de la entrada
15.2.3. Medir el tiempo de ejecución
15.2.4. Caso peor, mejor y medio
15.2.5. Notación asintónica
15.2.6. Criterios de análisis matemático de algoritmos no recursivos
15.2.7. Análisis matemático de algoritmos recursivos
15.2.8. Análisis empírico de algoritmos

15.3. Algoritmos de ordenación

15.3.1. Concepto de ordenación
15.3.2. Ordenación de la burbuja
15.3.3. Ordenación por selección
15.3.4. Ordenación por inserción
15.3.5. Ordenación por mezcla (Merge_Sort)
15.3.6. Ordenación rápida (Quick_Sort)

15.4. Algoritmos con árboles

15.4.1. Concepto de árbol
15.4.2. Árboles binarios
15.4.3. Recorridos de árbol
15.4.4. Representar expresiones
15.4.5. Árboles binarios ordenados
15.4.6. Árboles binarios balanceados

15.5. Algoritmos con Heaps

15.5.1. Los Heaps
15.5.2. El algoritmo Heapsort
15.5.3. Las colas de prioridad

15.6. Algoritmos con grafos

15.6.1. Representación
15.6.2. Recorrido en anchura
15.6.3. Recorrido en profundidad
15.6.4. Ordenación topológica

15.7. Algoritmos Greedy

15.7.1. La estrategia Greedy
15.7.2. Elementos de la estrategia Greedy
15.7.3. Cambio de monedas
15.7.4. Problema del viajante
15.7.5. Problema de la mochila

15.8. Búsqueda de caminos mínimos

15.8.1. El problema del camino mínimo
15.8.2. Arcos negativos y ciclos
15.8.3. Algoritmo de Dijkstra

15.9. Algoritmos Greedy sobre grafos

15.9.1. El árbol de recubrimiento mínimo
15.9.2. El algoritmo de Prim
15.9.3. El algoritmo de Kruskal
15.9.4. Análisis de complejidad

15.10. Backtracking

15.10.1. El Backtracking
15.10.2. Técnicas alternativas

Módulo 16. Sistemas inteligentes

16.1. Teoría de agentes

16.1.1. Historia del concepto
16.1.2. Definición de agente
16.1.3. Agentes en Inteligencia Artificial
16.1.4. Agentes en ingeniería de software

16.2. Arquitecturas de agentes

16.2.1. El proceso de razonamiento de un agente
16.2.2. Agentes reactivos
16.2.3. Agentes deductivos
16.2.4. Agentes híbridos
16.2.5. Comparativa

16.3. Información y conocimiento

16.3.1. Distinción entre datos, información y conocimiento
16.3.2. Evaluación de la calidad de los datos
16.3.3. Métodos de captura de datos
16.3.4. Métodos de adquisición de información
16.3.5. Métodos de adquisición de conocimiento

16.4. Representación del conocimiento

16.4.1. La importancia de la representación del conocimiento
16.4.2. Definición de representación del conocimiento a través de sus roles
16.4.3. Características de una representación del conocimiento

16.5. Ontologías

16.5.1. Introducción a los metadatos
16.5.2. Concepto filosófico de ontología
16.5.3. Concepto informático de ontología
16.5.4. Ontologías de dominio y ontologías de nivel superior
16.5.5. ¿Cómo construir una ontología?

16.6. Lenguajes para ontologías y software para la creación de ontologías

16.6.1. Tripletas RDF, Turtle y N
16.6.2. RDF Schema
16.6.3. OWL
16.6.4. SPARQL
16.6.5. Introducción a las diferentes herramientas para la creación de ontologías
16.6.6. Instalación y uso de Protégé

16.7. La web semántica

16.7.1. El estado actual y futuro de la web semántica
16.7.2. Aplicaciones de la web semántica

16.8. Otros modelos de representación del conocimiento

16.8.1. Vocabularios
16.8.2. Visión global
16.8.3. Taxonomías
16.8.4. Tesauros
16.8.5. Folksonomías
16.8.6. Comparativa
16.8.7. Mapas mentales

16.9. Evaluación e integración de representaciones del conocimiento

16.9.1. Lógica de orden cero
16.9.2. Lógica de primer orden
16.9.3. Lógica descriptiva
16.9.4. Relación entre diferentes tipos de lógica
16.9.5. Prolog: Programación basada en lógica de primer orden

16.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos

16.10.1. Concepto de razonador
16.10.2. Aplicaciones de un razonador
16.10.3. Sistemas basados en el conocimiento
16.10.4. MYCIN, historia de los Sistemas Expertos
16.10.5. Elementos y Arquitectura de Sistemas Expertos
16.10.6. Creación de Sistemas Expertos

Módulo 17. Aprendizaje automático y minería de datos

17.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático

17.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento
17.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento
17.1.3. Etapas de los procesos de descubrimiento del conocimiento
17.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento
17.1.5. Características de los buenos modelos de aprendizaje automático
17.1.6. Tipos de información de aprendizaje automático
17.1.7. Conceptos básicos de aprendizaje
17.1.8. Conceptos básicos de aprendizaje no supervisado

17.2. Exploración y preprocesamiento de datos

17.2.1. Tratamiento de datos
17.2.2. Tratamiento de datos en el flujo de análisis de datos
17.2.3. Tipos de datos
17.2.4. Transformaciones de datos
17.2.5. Visualización y exploración de variables continuas
17.2.6. Visualización y exploración de variables categóricas
17.2.7. Medidas de correlación
17.2.8. Representaciones gráficas más habituales
17.2.9. Introducción al análisis multivariante y a la reducción de dimensiones

17.3. Árboles de decisión

17.3.1. Algoritmo ID
17.3.2. Algoritmo C
17.3.3. Sobreentrenamiento y poda
17.3.4. Análisis de resultados

17.4. Evaluación de clasificadores

17.4.1. Matrices de confusión
17.4.2. Matrices de evaluación numérica
17.4.3. Estadístico de Kappa
17.4.4. La curva ROC

17.5. Reglas de clasificación

17.5.1. Medidas de evaluación de reglas
17.5.2. Introducción a la representación gráfica
17.5.3. Algoritmo de recubrimiento secuencial

17.6. Redes neuronales

17.6.1. Conceptos básicos
17.6.2. Redes de neuronas simples
17.6.3. Algoritmo de Backpropagation
17.6.4. Introducción a las redes neuronales recurrentes

17.7. Métodos bayesianos

17.7.1. Conceptos básicos de probabilidad
17.7.2. Teorema de Bayes
17.7.3. Naive Bayes
17.7.4. Introducción a las redes bayesianas

17.8. Modelos de regresión y de respuesta continua

17.8.1. Regresión lineal simple
17.8.2. Regresión lineal múltiple
17.8.3. Regresión logística
17.8.4. Árboles de regresión
17.8.5. Introducción a las máquinas de soporte vectorial (SVM)
17.8.6. Medidas de bondad de ajuste

17.9. Clustering

17.9.1. Conceptos básicos
17.9.2. Clustering jerárquico
17.9.3. Métodos probabilistas
17.9.4. Algoritmo EM
17.9.5. Método B-Cubed
17.9.6. Métodos implícitos

17.10 Minería de textos y procesamiento de lenguaje natural (NLP)

17.10.1. Conceptos básicos
17.10.2. Creación del corpus
17.10.3. Análisis descriptivo
17.10.4. Introducción al análisis de sentimientos

Módulo 18. Las redes neuronales, base de Deep Learning

18.1. Aprendizaje profundo

18.1.1. Tipos de aprendizaje profundo
18.1.2. Aplicaciones del aprendizaje profundo
18.1.3. Ventajas y desventajas del aprendizaje profundo

18.2. Operaciones

18.2.1. Suma
18.2.2. Producto
18.2.3. Traslado

18.3. Capas

18.3.1. Capa de entrada
18.3.2. Capa oculta
18.3.3. Capa de salida

18.4. Unión de capas y operaciones

18.4.1. Diseño de arquitecturas
18.4.2. Conexión entre capas
18.4.3. Propagación hacia adelante

18.5. Construcción de la primera red neuronal

18.5.1. Diseño de la red
18.5.2. Establecer los pesos
18.5.3. Entrenamiento de la red

18.6. Entrenador y optimizador

18.6.1. Selección del optimizador
18.6.2. Establecimiento de una función de pérdida
18.6.3. Establecimiento de una métrica

18.7. Aplicación de los Principios de las Redes Neuronales

18.7.1. Funciones de activación
18.7.2. Propagación hacia atrás
18.7.3. Ajuste de los parámetros

18.8. De las neuronas biológicas a las artificiales

18.8.1. Funcionamiento de una neurona biológica
18.8.2. Transferencia de conocimiento a las neuronas artificiales
18.8.3. Establecer relaciones entre ambas

18.9. Implementación de MLP (Perceptrón Multicapa) con Keras

18.9.1. Definición de la estructura de la red
18.9.2. Compilación del modelo
18.9.3. Entrenamiento del modelo

18.10. Hiperparámetros de Fine tuning de Redes Neuronales

18.10.1. Selección de la función de activación
18.10.2. Establecer el Learning rate
18.10. 3. Ajuste de los pesos

Módulo 19. Entrenamiento de redes neuronales profundas

19.1. Problemas de Gradientes

19.1.1. Técnicas de optimización de gradiente
19.1.2. Gradientes Estocásticos
19.1.3. Técnicas de inicialización de pesos

19.2. Reutilización de capas preentrenadas

19.2.1. Entrenamiento de transferencia de aprendizaje
19.2.2. Extracción de características
19.2.3. Aprendizaje profundo

19.3. Optimizadores

19.3.1. Optimizadores de descenso de gradiente estocástico
19.3.2. Optimizadores Adam y RMSprop
19.3.3. Optimizadores de momento

19.4. Programación de la tasa de aprendizaje

19.4.1. Control de tasa de aprendizaje automático
19.4.2. Ciclos de aprendizaje
19.4.3. Términos de suavizado

19.5. Sobreajuste

19.5.1. Validación cruzada
19.5.2. Regularización
19.5.3. Métricas de evaluación

19.6. Directrices prácticas

19.6.1. Diseño de modelos
19.6.2. Selección de métricas y parámetros de evaluación
19.6.3. Pruebas de hipótesis

19.7. Transfer Learning

19.7.1. Entrenamiento de transferencia de aprendizaje
19.7.2. Extracción de características
19.7.3. Aprendizaje profundo

19.8. Data Augmentation

19.8.1. Transformaciones de imagen
19.8.2. Generación de datos sintéticos
19.8.3. Transformación de texto

19.9. Aplicación Práctica de Transfer Learning

19.9.1. Entrenamiento de transferencia de aprendizaje
19.9.2. Extracción de características
19.9.3. Aprendizaje profundo

19.10. Regularización

19.10.1. L y L
19.10.2. Regularización por máxima entropía
19.10.3. Dropout

Módulo 20. Personalización de Modelos y entrenamiento con TensorFlow

20.1. TensorFlow

20.1.1. Uso de la biblioteca TensorFlow
20.1.2. Entrenamiento de modelos con TensorFlow
20.1.3. Operaciones con gráficos en TensorFlow

20.2. TensorFlow y NumPy

20.2.1. Entorno computacional NumPy para TensorFlow
20.2.2. Utilización de los arrays NumPy con TensorFlow
20.2.3. Operaciones NumPy para los gráficos de TensorFlow

20.3. Personalización de modelos y algoritmos de entrenamiento

20.3.1. Construcción de modelos personalizados con TensorFlow
20.3.2. Gestión de parámetros de entrenamiento
20.3.3. Utilización de técnicas de optimización para el entrenamiento

20.4. Funciones y gráficos de TensorFlow

20.4.1. Funciones con TensorFlow
20.4.2. Utilización de gráficos para el entrenamiento de modelos
20.4.3. Optimización de gráficos con operaciones de TensorFlow

20.5. Carga y preprocesamiento de datos con TensorFlow

20.5.1. Carga de conjuntos de datos con TensorFlow
20.5.2. Preprocesamiento de datos con TensorFlow
20.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos

20.6. La API tfdata

20.6.1. Utilización de la API tfdata para el procesamiento de datos
20.6.2. Construcción de flujos de datos con tfdata
20.6.3. Uso de la API tfdata para el entrenamiento de modelos

20.7. El formato TFRecord

20.7.1. Utilización de la API TFRecord para la serialización de datos
20.7.2. Carga de archivos TFRecord con TensorFlow
20.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos

20.8. Capas de preprocesamiento de Keras

20.8.1. Utilización de la API de preprocesamiento de Keras
20.8.2. Construcción de pipelined de preprocesamiento con Keras
20.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos

20.9. El proyecto TensorFlow Datasets

20.9.1. Utilización de TensorFlow Datasets para la carga de datos
20.9.2. Preprocesamiento de datos con TensorFlow Datasets
20.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos

20.10. Construcción de una Aplicación de Deep Learning con TensorFlow

20.10.1. Aplicación práctica
20.10.2. Construcción de una aplicación de Deep Learning con TensorFlow
20.10.3. Entrenamiento de un modelo con TensorFlow
20.10.4. Utilización de la aplicación para la predicción de resultados

Módulo 21. Deep Computer Vision con Redes Neuronales Convolucionales

21.1. La Arquitectura Visual Cortex

21.1.1. Funciones de la corteza visual
21.1.2. Teorías de la visión computacional
21.1.3. Modelos de procesamiento de imágenes

21.2. Capas convolucionales

21.2.1 Reutilización de pesos en la convolución
21.2.2. Convolución D
21.2.3. Funciones de activación

21.3. Capas de agrupación e implementación de capas de agrupación con Keras

21.3.1. Pooling y Striding
21.3.2. Flattening
21.3.3. Tipos de Pooling

21.4. Arquitecturas CNN

21.4.1. Arquitectura VGG
21.4.2. Arquitectura AlexNet
21.4.3. Arquitectura ResNet

21.5. Implementación de una CNN ResNet usando Keras

21.5.1. Inicialización de pesos
21.5.2. Definición de la capa de entrada
21.5.3. Definición de la salida

21.6. Uso de modelos preentrenados de Keras

21.6.1. Características de los modelos preentrenados
21.6.2. Usos de los modelos preentrenados
21.6.3. Ventajas de los modelos preentrenados

21.7. Modelos preentrenados para el aprendizaje por transferencia

21.7.1. El aprendizaje por transferencia
21.7.2. Proceso de aprendizaje por transferencia
21.7.3. Ventajas del aprendizaje por transferencia

21.8. Clasificación y localización en Deep Computer Vision

21.8.1. Clasificación de imágenes
21.8.2. Localización de objetos en imágenes
21.8.3. Detección de objetos

21.9. Detección de objetos y seguimiento de objetos

21.9.1. Métodos de detección de objetos
21.9.2. Algoritmos de seguimiento de objetos
21.9.3. Técnicas de rastreo y localización

21.10. Segmentación semántica

21.10.1. Aprendizaje profundo para segmentación semántica
21.10.1. Detección de bordes
21.10.1. Métodos de segmentación basados en reglas

Módulo 22. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y atención

22.1. Generación de texto utilizando RNN

22.1.1. Entrenamiento de una RNN para generación de texto
22.1.2. Generación de lenguaje natural con RNN
22.1.3. Aplicaciones de generación de texto con RNN

22.2. Creación del conjunto de datos de entrenamiento

22.2.1. Preparación de los datos para el entrenamiento de una RNN
22.2.2. Almacenamiento del conjunto de datos de entrenamiento
22.2.3. Limpieza y transformación de los datos
22.2.4. Análisis de Sentimiento

22.3. Clasificación de opiniones con RNN

22.3.1. Detección de temas en los comentarios
22.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo

22.4. Red de codificador-decodificador para la traducción automática neuronal

22.4.1. Entrenamiento de una RNN para la traducción automática
22.4.2. Uso de una red encoder-decoder para la traducción automática
22.4.3. Mejora de la precisión de la traducción automática con RNN

22.5. Mecanismos de atención

22.5.1. Aplicación de mecanismos de atención en RNN
22.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos
22.5.3. Ventajas de los mecanismos de atención en las redes neuronales

22.6. Modelos Transformers

22.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural
22.6.2. Aplicación de los modelos Transformers para visión
22.6.3. Ventajas de los modelos Transformers

22.7. Transformers para visión

22.7.1. Uso de los modelos Transformers para visión
22.7.2. Preprocesamiento de los datos de imagen
22.7.3. Entrenamiento de un modelo Transformers para visión

22.8. Librería de Transformers de Hugging Face

22.8.1. Uso de la librería de Transformers de Hugging Face
22.8.2. Aplicación de la librería de Transformers de Hugging Face
22.8.3. Ventajas de la librería de Transformers de Hugging Face

22.9. Otras Librerías de Transformers. Comparativa

22.9.1. Comparación entre las distintas librerías de Transformers
22.9.2. Uso de las demás librerías de Transformers
22.9.3. Ventajas de las demás librerías de Transformers

22.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación práctica

22.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención
22.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación
22.10.3. Evaluación de la aplicación práctica

Módulo 23. Autoencoders, GANs y modelos de difusión

23.1. Representaciones de datos eficientes

23.1.1. Reducción de dimensionalidad
23.1.2. Aprendizaje profundo
23.1.3. Representaciones compactas

23.2. Realización de PCA con un codificador automático lineal incompleto

23.2.1. Proceso de entrenamiento
23.2.2. Implementación en Python
23.2.3. Utilización de datos de prueba

23.3. Codificadores automáticos apilados

23.3.1. Redes neuronales profundas
23.3.2. Construcción de arquitecturas de codificación
23.3.3. Uso de la regularización

23.4. Autocodificadores convolucionales

23.4.1. Diseño de modelos convolucionales
23.4.2. Entrenamiento de modelos convolucionales
23.4.3. Evaluación de los resultados

23.5. Eliminación de ruido de codificadores automáticos

23.5.1. Aplicación de filtros
23.5.2. Diseño de modelos de codificación
23.5.3. Uso de técnicas de regularización

23.6. Codificadores automáticos dispersos

23.6.1. Incrementar la eficiencia de la codificación
23.6.2. Minimizando el número de parámetros
23.6.3. Utilización de técnicas de regularización

23.7. Codificadores automáticos variacionales

23.7.1. Utilización de optimización variacional
23.7.2. Aprendizaje profundo no supervisado
23.7.3. Representaciones latentes profundas

23.8. Generación de imágenes MNIST de moda

23.8.1. Reconocimiento de patrones
23.8.2. Generación de imágenes
23.8.3. Entrenamiento de redes neuronales profundas

23.9. Redes adversarias generativas y modelos de difusión

23.9.1. Generación de contenido a partir de imágenes
23.9.2. Modelado de distribuciones de datos
23.9.3. Uso de redes adversarias

23.10 Implementación de los Modelos

23.10.1. Aplicación Práctica
23.10.2. Implementación de los modelos
23.10.3. Uso de datos reales
23.10.4. Evaluación de los resultados

Módulo 24. Computación bioinspirada

24.1. Introducción a la computación bioinspirada

24.1.1. Introducción a la computación bioinspirada

24.2. Algoritmos de adaptación social

24.2.1. Computación bioinspirada basada en colonia de hormigas
24.2.2. Variantes de los algoritmos de colonias de hormigas
24.2.3. Computación basada en nubes de partículas

24.3. Algoritmos genéticos

24.3.1. Estructura general
24.3.2. Implementaciones de los principales operadores

24.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos

24.4.1. Algoritmo CHC
24.4.2. Problemas multimodales

24.5. Modelos de computación evolutiva (I)

24.5.1. Estrategias evolutivas
24.5.2. Programación evolutiva
24.5.3. Algoritmos basados en evolución diferencial

24.6. Modelos de computación evolutiva (II)

24.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)
24.6.2. Programación genética

24.7. Programación evolutiva aplicada a problemas de aprendizaje

24.7.1. Aprendizaje basado en reglas
24.7.2. Métodos evolutivos en problemas de selección de instancias

24.8. Problemas multiobjetivo

24.8.1. Concepto de dominancia
24.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo

24.9. Redes neuronales (I)

24.9.1. Introducción a las redes neuronales
24.9.2. Ejemplo práctico con redes neuronales

24.10. Redes neuronales (II)

24.10.1. Casos de uso de las redes neuronales en la investigación médica
24.10.2. Casos de uso de las redes neuronales en la economía
24.10.3. Casos de uso de las redes neuronales en la visión artificial

Módulo 25. Inteligencia Artificial: Estrategias y aplicaciones

25.1. Servicios financieros

25.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros. Oportunidades y desafíos
25.1.2. Casos de uso
25.1.3. Riesgos potenciales relacionados con el uso de IA
25.1.4. Potenciales desarrollos/usos futuros de la IA

25.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

25.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
25.2.2. Casos de uso

25.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario

25.3.1. Riesgos potenciales relacionados con el uso de IA
25.3.2. Potenciales desarrollos/usos futuros de la IA

25.4. Retail

25.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
25.4.2. Casos de uso
25.4.3. Riesgos potenciales relacionados con el uso de IA
25.4.4. Potenciales desarrollos/usos futuros de la IA

25.5. Industria

25.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos
25.5.2. Casos de uso

25.6. Riesgos potenciales relacionados con el uso de IA en la Industria

25.6.1. Casos de uso
25.6.2. Riesgos potenciales relacionados con el uso de IA
25.6.3. Potenciales desarrollos/usos futuros de la IA

25.7. Administración Pública

25.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos
25.7.2. Casos de uso
25.7.3. Riesgos potenciales relacionados con el uso de IA
25.7.4. Potenciales desarrollos/usos futuros de la IA

25.8. Educación

25.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos
25.8.2. Casos de uso
25.8.3. Riesgos potenciales relacionados con el uso de IA
25.8.4. Potenciales desarrollos/usos futuros de la IA

25.9. Silvicultura y agricultura

25.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
25.9.2. Casos de uso
25.9.3. Riesgos potenciales relacionados con el uso de IA
25.9.4. Potenciales desarrollos/usos futuros de la IA

25.10 Recursos Humanos

25.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos
25.10.2. Casos de uso
25.10.3. Riesgos potenciales relacionados con el uso de IA
25.10.4. Potenciales desarrollos/usos futuros de la IA

Módulo 26. Diagnostico en la práctica clínica mediante IA

26.1. Tecnologías y herramientas para el diagnóstico asistido por IA

26.1.1. Desarrollo de software para el diagnóstico asistido por IA en diversas especialidades médicas mediante ChatGPT
26.1.2. Uso de algoritmos avanzados para el análisis rápido y preciso de síntomas y signos clínicos
26.1.3. Integración de IA en dispositivos de diagnóstico para mejorar la eficiencia
26.1.4. Herramientas de IA para asistir en la interpretación de resultados de pruebas de laboratorio mediante IBM Watson Health

26.2. Integración de datos clínicos multimodales para el diagnóstico

26.2.1. Sistemas de IA para combinar datos de imágenes, laboratorio, y registros clínicos mediante AutoML
26.2.2. Herramientas para la correlación de datos multimodales en diagnósticos más precisos mediante Enlitic Curie
26.2.3. Uso de IA para analizar patrones complejos a partir de diferentes tipos de datos clínicos mediante Flatiron Health’s OncologyCloud
26.2.4. Integración de datos genómicos y moleculares en el diagnóstico asistido por IA

26.3. Creación y análisis de datasets en salud con IA mediante Google Cloud Healthcare API

26.3.1. Desarrollo de bases de datos clínicas para el entrenamiento de modelos de IA
26.3.2. Uso de IA para el análisis y extracción de insights de grandes datasets de salud
26.3.3. Herramientas de IA para la limpieza y preparación de datos clínicos
26.3.4. Sistemas de IA para identificar tendencias y patrones en datos de salud

26.4. Visualización y manejo de datos de salud con IA

26.4.1. Herramientas de IA para la visualización interactiva y comprensible de datos de salud
26.4.2. Sistemas de IA para el manejo eficiente de grandes volúmenes de datos clínicos
26.4.3. Uso de dashboards basados en IA para la monitorización de indicadores de salud
26.4.4. Tecnologías de IA para la gestión y seguridad de datos de salud

26.5. Reconocimiento de patrones y machine learning en diagnósticos clínicos mediante PathAI

26.5.1. Aplicación de técnicas de machine learning para el reconocimiento de patrones en datos clínicos
26.5.2. Uso de IA en la identificación temprana de enfermedades a través del análisis de patrones con PathAI
26.5.3. Desarrollo de modelos predictivos para diagnósticos más precisos
26.5.4. Implementación de algoritmos de aprendizaje automático en la interpretación de datos de salud

26.6. Interpretación de imágenes médicas mediante IA mediante Aidoc

26.6.1. Sistemas de IA para la detección y clasificación de anomalías en imágenes médicas
26.6.2. Uso de aprendizaje profundo en la interpretación de radiografías, resonancias y tomografías
26.6.3. Herramientas de IA para mejorar la precisión y velocidad en el diagnóstico por imágenes
26.6.4. Implementación de IA para la asistencia en la toma de decisiones clínicas basadas en imágenes

26.7. Procesamiento del lenguaje natural sobre historias médicas para el diagnóstico clínico mediante ChatGPT y Amazon Comprehend Medical

26.7.1. Uso de PNL para la extracción de información relevante de historiales clínicos
26.7.2. Sistemas de IA para analizar notas de médicos y reportes de pacientes
26.7.3. Herramientas de IA para resumir y clasificar información de historias médicas
26.7.4. Aplicación de PNL en la identificación de síntomas y diagnósticos a partir de textos clínicos

26.8. Validación y evaluación de modelos de diagnóstico asistido por IA mediante ConcertAI

26.8.1. Métodos para la validación y prueba de modelos de IA en entornos clínicos reales
26.8.2. Evaluación del rendimiento y precisión de herramientas de diagnóstico asistido por IA
26.8.3. Uso de IA para asegurar la confiabilidad y ética en el diagnóstico clínico
26.8.4. Implementación de protocolos de evaluación continua para sistemas de IA en salud

26.9. IA en el diagnóstico de enfermedades raras mediante Face2Gene

26.9.1. Desarrollo de sistemas de IA especializados en la identificación de enfermedades raras
26.9.2. Uso de IA para analizar patrones atípicos y sintomatología compleja
26.9.3. Herramientas de IA para el diagnóstico temprano y preciso de enfermedades poco frecuentes
26.9.4. Implementación de bases de datos globales con IA para mejorar el diagnóstico de enfermedades raras

26.10. Casos de éxito y desafíos en la implementación de diagnóstico por IA

26.10.1. Análisis de estudios de caso donde la IA ha mejorado significativamente el diagnóstico clínico
26.10.2. Evaluación de los desafíos en la adopción de IA en entornos clínicos
26.10.3. Discusión sobre las barreras éticas y prácticas en la implementación de IA para diagnóstico
26.10.4. Examen de las estrategias para superar obstáculos en la integración de IA en diagnóstico médico

Módulo 27. Tratamiento y control del paciente con IA

27.1. Sistemas de tratamiento asistido por IA

27.1.1. Desarrollo de sistemas de IA para asistir en la toma de decisiones terapéuticas
27.1.2. Uso de IA para la personalización de tratamientos basados en perfiles individuales
27.1.3. Implementación de herramientas de IA en la administración de dosis y horarios de medicación
27.1.4. Integración de IA en la monitorización y ajuste de tratamientos en tiempo real

27.2. Definición de indicadores para el control del estado de salud del paciente

27.2.1. Establecimiento de parámetros clave mediante IA para el seguimiento de la salud del paciente
27.2.2. Uso de IA para identificar indicadores predictivos de salud y enfermedad
27.2.3. Desarrollo de sistemas de alerta temprana basados en indicadores de salud
27.2.4. Implementación de IA para la evaluación continua del estado de salud del paciente

27.3. Herramientas para la monitorización y el control de indicadores de salud

27.3.1. Desarrollo de aplicaciones móviles y wearables con IA para el seguimiento de la salud
27.3.2. Implementación de sistemas de IA para el análisis en tiempo real de datos de salud
27.3.3. Uso de dashboards basados en IA para la visualización y seguimiento de indicadores de salud
27.3.4. Integración de dispositivos IoT en el monitoreo continuo de indicadores de salud con IA

27.4. IA en la Planificación y Ejecución de Procedimientos Médicos con Intuitive Surgical’s da Vinci Surgical System

27.4.1. Utilización de sistemas de IA para optimizar la planificación de cirugías y procedimientos médicos
27.4.2. Implementación de IA en la simulación y práctica de procedimientos quirúrgicos
27.4.3. Uso de IA para mejorar la precisión y eficacia en la ejecución de procedimientos médicos
27.4.4. Aplicación de IA en la coordinación y gestión de recursos quirúrgicos

27.5. Algoritmos de aprendizaje automático para el establecimiento de tratamientos terapéuticos

27.5.1. Uso de machine learning para desarrollar protocolos de tratamiento personalizados
27.5.2. Implementación de algoritmos predictivos para la selección de terapias efectivas
27.5.3. Desarrollo de sistemas de IA para la adaptación de tratamientos en tiempo real
27.5.4. Aplicación de IA en el análisis de la efectividad de diferentes opciones terapéuticas

27.6. Adaptabilidad y actualización continua de protocolos terapéuticos mediante IA con IBM Watson for Oncology

27.6.1. Implementación de sistemas de IA para la revisión y actualización dinámica de tratamientos
27.6.2. Uso de IA en la adaptación de protocolos terapéuticos a nuevos descubrimientos y datos
27.6.3. Desarrollo de herramientas de IA para la personalización continua de tratamientos
27.6.4. Integración de IA en la respuesta adaptativa a la evolución de las condiciones del paciente

27.7. Optimización de servicios de salud con tecnología de IA con Optum

27.7.1. Uso de IA para mejorar la eficiencia y calidad de los servicios de salud
27.7.2. Implementación de sistemas de IA para la gestión de recursos sanitarios
27.7.3. Desarrollo de herramientas de IA para la optimización de flujos de trabajo en hospitales
27.7.4. Aplicación de IA en la reducción de tiempos de espera y mejora de la atención al paciente

27.8. Aplicación de IA en la respuesta a emergencias sanitarias

27.8.1. Implementación de sistemas de IA para la gestión rápida y eficiente de crisis sanitarias con BlueDot
27.8.2. Uso de IA en la optimización de la distribución de recursos en emergencias
27.8.3. Desarrollo de herramientas de IA para la predicción y respuesta a brotes de enfermedades
27.8.4. Integración de IA en sistemas de alerta y comunicación durante emergencias sanitarias

27.9. Colaboración interdisciplinaria en tratamientos asistidos por IA

27.9.1. Fomento de la colaboración entre diferentes especialidades médicas mediante sistemas de IA
27.9.2. Uso de IA para integrar conocimientos y técnicas de distintas disciplinas en el tratamiento
27.9.3. Desarrollo de plataformas de IA para facilitar la comunicación y coordinación interdisciplinaria
27.9.4. Implementación de IA en la creación de equipos de tratamiento multidisciplinarios

27.10. Experiencias exitosas de IA en el tratamiento de enfermedades

27.10.1. Análisis de casos de éxito en el uso de IA para tratamientos efectivos de enfermedades
27.10.2. Evaluación de impacto de la IA en la mejora de resultados de tratamientos
27.10.3. Documentación de experiencias innovadoras en el uso de IA en diferentes áreas médicas
27.10.4. Discusión sobre los avances y desafíos en la implementación de IA en tratamientos médico

Módulo 28. Personalización de la salud a través de la IA

28.1. Aplicaciones de IA en genómica para medicina personalizada con DeepGenomics

28.1.1. Desarrollo de algoritmos de IA para el análisis de secuencias genéticas y su relación con enfermedades
28.1.2. Uso de IA en la identificación de marcadores genéticos para tratamientos personalizados
28.1.3. Implementación de IA para la interpretación rápida y precisa de datos genómicos
28.1.4. Herramientas de IA en la correlación de genotipos con respuestas a medicamentos

28.2. IA en farmacogenómica y diseño de medicamentos mediante AtomWise

28.2.1. Desarrollo de modelos de IA para predecir la eficacia y seguridad de medicamentos
28.2.2. Uso de IA en la identificación de dianas terapéuticas y diseño de fármacos
28.2.3. Aplicación de IA en el análisis de interacciones gen-drug para personalización de tratamientos
28.2.4. Implementación de algoritmos de IA para acelerar el descubrimiento de nuevos medicamentos

28.3. Monitoreo personalizado con dispositivos inteligentes y IA

28.3.1. Desarrollo de wearables con IA para el seguimiento continuo de indicadores de salud
28.3.2. Uso de IA en la interpretación de datos recopilados por dispositivos inteligentes con FitBit
28.3.3. Implementación de sistemas de alerta temprana basados en IA para condiciones de salud
28.3.4. Herramientas de IA para la personalización de recomendaciones de estilo de vida y salud

28.4. Sistemas de apoyo a decisiones clínicas con IA

28.4.1. Implementación de IA para asistir a médicos en la toma de decisiones clínicas con Oracle Cerner
28.4.2. Desarrollo de sistemas de IA que proporcionan recomendaciones basadas en datos clínicos
28.4.3. Uso de IA en la evaluación de riesgos y beneficios de diferentes opciones terapéuticas
28.4.4. Herramientas de IA para la integración y análisis de datos de salud en tiempo real

28.5. Tendencias en personalización de salud con IA

28.5.1. Análisis de las últimas tendencias en IA para la personalización del cuidado de la salud
28.5.2. Uso de IA en el desarrollo de enfoques preventivos y predictivos en salud
28.5.3. Implementación de IA en la adaptación de planes de salud a necesidades individuales
28.5.4. Exploración de nuevas tecnologías de IA en el campo de la salud personalizada

28.6. Avances en robótica quirúrgica asistida por IA con Intuitive Surgical’s da Vinci Surgical System

28.6.1. Desarrollo de robots quirúrgicos con IA para procedimientos precisos y mínimamente invasivos
28.6.2. Uso de IA para crear modelos predictivos de enfermedades basados en datos individuales con OncoraMedical
28.6.3. Implementación de sistemas de IA para la planificación quirúrgica y simulación de operaciones
28.6.4. Avances en la integración de feedback táctil y visual en robótica quirúrgica con IA

28.7. Desarrollo de modelos predictivos para práctica clínica personalizada

28.7.1. Uso de IA para crear modelos predictivos de enfermedades basados en datos individuales
28.7.2. Implementación de IA en la predicción de respuestas a tratamientos
28.7.3. Desarrollo de herramientas de IA para la anticipación de riesgos de salud
28.7.4. Aplicación de modelos predictivos en la planificación de intervenciones preventivas

28.8. IA en gestión y tratamiento personalizado del dolor con Kaia Health

28.8.1. Desarrollo de sistemas de IA para la evaluación y manejo personalizado del dolor
28.8.2. Uso de IA en la identificación de patrones de dolor y respuestas a tratamientos
28.8.3. Implementación de herramientas de IA en la personalización de terapias para el dolor
28.8.4. Aplicación de IA en la monitorización y ajuste de planes de tratamiento del dolor

28.9. Autonomía del Paciente y Participación Activa en la Personalización

28.9.1. Fomento de la autonomía del paciente mediante herramientas de IA para la gestión de su salud con Ada Health
28.9.2. Desarrollo de sistemas de IA que empoderan a los pacientes en la toma de decisiones
28.9.3. Uso de IA para proporcionar información y educación personalizada a los pacientes
28.9.4. Herramientas de IA que facilitan la participación activa del paciente en su tratamiento

28.10. Integración de IA en historias clínicas electrónicas con Oracle Cerner

28.10.1. Implementación de IA para el análisis y gestión eficiente de historias clínicas electrónicas
28.10.2. Desarrollo de herramientas de IA para la extracción de insights clínicos de registros electrónicos
28.10.3. Uso de IA en la mejora de la precisión y accesibilidad de los datos en historias clínicas
28.10.4. Aplicación de IA para la correlación de datos de historias clínicas con planes de tratamiento

Módulo 29. Análisis de Big Data en el sector salud con IA

29.1. Fundamentos de Big Data en salud

29.1.1. La explosión del dato en el ámbito de la salud
29.1.2. Concepto de Big Data y principales herramientas
29.1.3. Aplicaciones de Big Data en salud

29.2. Procesamiento y análisis de textos en datos de salud con KNIME y Python

29.2.1. Conceptos de procesamiento de lenguaje natural
29.2.2. Técnicas de embeding
29.2.3. Aplicación de procesamiento de lenguaje natural en salud

29.3. Métodos avanzados de recuperación de datos en salud con KNIME y Python

29.3.1. Exploración de técnicas innovadoras para la recuperación eficiente de datos en salud
29.3.2. Desarrollo de estrategias avanzadas para la extracción y organización de información en entornos de salud
29.3.3. Implementación de métodos de recuperación de datos adaptativos y personalizados para diversos contextos clínicos

29.4. Evaluación de calidad en análisis de datos de salud con KNIME y Python

29.4.1. Desarrollo de indicadores para la evaluación rigurosa de la calidad de datos en entornos de salud
29.4.2. Implementación de herramientas y protocolos para garantizar la calidad de los datos utilizados en análisis clínicos
29.4.3. Evaluación continua de la precisión y fiabilidad de resultados en proyectos de análisis de datos de salud

29.5. Minería de datos y aprendizaje automático en salud con KNIME y Python

29.5.1. Principales metodologías para la minería de datos
29.5.2. Integración de datos de salud
29.5.3. Detección de patrones y anomalías en datos de salud

29.6. Áreas innovadoras de Big Data y IA en salud

29.6.1. Exploración de nuevas fronteras en la aplicación de Big Data y IA para transformar el sector salud
29.6.2. Identificación de oportunidades innovadoras para la integración de tecnologías de Big Data y IA en prácticas médicas
29.6.3. Desarrollo de enfoques vanguardistas para aprovechar al máximo el potencial de Big Data y IA en el ámbito de la salud

29.7. Recolección y preprocesamiento de datos médicos con KNIME y Python

29.7.1. Desarrollo de metodologías eficientes para la recolección de datos médicos en entornos clínicos y de investigación
29.7.2. Implementación de técnicas avanzadas de preprocesamiento para optimizar la calidad y utilidad de los datos médicos
29.7.3. Diseño de estrategias de recolección y preprocesamiento que garanticen la confidencialidad y privacidad de la información médica

29.8. Visualización de datos y comunicación en salud con herramientas tipo PowerBI y Python

29.8.1. Diseño de herramientas innovadoras de visualización en salud
29.8.2. Estrategias creativas de comunicación en salud
29.8.3. Integración de tecnologías interactivas en salud

29.9. Seguridad de datos y gobernanza en el sector salud

29.9.1. Desarrollo de estrategias integrales de seguridad de datos para proteger la confidencialidad y privacidad en el sector salud
29.9.2. Implementación de marcos de gobernanza efectivos para garantizar la gestión ética y responsable de datos en entornos médicos
29.9.3. Diseño de políticas y procedimientos que aseguren la integridad y disponibilidad de datos médicos, abordando desafíos específicos del sector salud

29.10. Aplicaciones prácticas de Big Data en salud

29.10.1. Desarrollo de soluciones especializadas para gestionar y analizar grandes conjuntos de datos en entornos de salud
29.10.2. Utilización de herramientas prácticas basadas en Big Data para respaldar la toma de decisiones clínicas
29.10.3. Aplicación de enfoques innovadores de Big Data para abordar desafíos específicos dentro del sector de la salud

Módulo 30. Ética y regulación en la IA médica

30.1. Principios éticos en el uso de IA en medicina

30.1.1. Análisis y adopción de principios éticos en el desarrollo y uso de sistemas de IA médica
30.1.2. Integración de valores éticos en la toma de decisiones asistida por IA en contextos médicos
30.1.3. Establecimiento de directrices éticas para garantizar un uso responsable de la inteligencia artificial en medicina

30.2. Privacidad de datos y consentimiento en contextos médicos

30.2.1. Desarrollo de políticas de privacidad para proteger datos sensibles en aplicaciones de IA médica
30.2.2. Garantía de consentimiento informado en la recopilación y uso de datos personales en el ámbito médico
30.2.3. Implementación de medidas de seguridad para salvaguardar la privacidad de los pacientes en entornos de IA médica

30.3. Ética en la investigación y desarrollo de sistemas de IA médica

30.3.1. Evaluación ética de protocolos de investigación en el desarrollo de sistemas de IA para la salud
30.3.2. Garantía de transparencia y rigor ético en las fases de desarrollo y validación de sistemas de IA médica
30.3.3. Consideraciones éticas en la publicación y compartición de resultados en el ámbito de la IA médica

30.4. Impacto social y responsabilidad en IA para salud

30.4.1. Análisis del impacto social de la IA en la prestación de servicios de salud
30.4.2. Desarrollo de estrategias para mitigar riesgos y responsabilidad ética en aplicaciones de IA en medicina
30.4.3. Evaluación continua del impacto social y adaptación de sistemas de IA para contribuir positivamente a la salud pública

30.5. Desarrollo sostenible de IA en el sector salud

30.5.1. Integración de prácticas sostenibles en el desarrollo y mantenimiento de sistemas de IA en salud
30.5.2. Evaluación del impacto ambiental y económico de tecnologías de IA en el ámbito sanitario
30.5.3. Desarrollo de modelos de negocio sostenibles para garantizar la continuidad y mejora de soluciones de IA en el sector de la salud

30.6. Gobernanza de datos y marcos regulatorios internacionales en IA médica

30.6.1. Desarrollo de marcos de gobernanza para la gestión ética y eficiente de datos en aplicaciones de IA médica
30.6.2. Adaptación a normativas y regulaciones internacionales para garantizar la conformidad ética y legal
30.6.3. Participación activa en iniciativas internacionales para establecer estándares éticos en el desarrollo de sistemas de IA médica

30.7. Aspectos económicos de la IA en el ámbito sanitario

30.7.1. Análisis de implicaciones económicas y costos-beneficios en la implementación de sistemas de IA en salud
30.7.2. Desarrollo de modelos de negocio y financiamiento para facilitar la adopción de tecnologías de IA en el sector sanitario
30.7.3. Evaluación de la eficiencia económica y equidad en el acceso a servicios de salud impulsados por IA

30.8. Diseño centrado en el humano de sistemas de IA médica

30.8.1. Integración de principios de diseño centrado en el humano para mejorar la usabilidad y aceptación de sistemas de IA médica
30.8.2. Participación de profesionales de la salud y pacientes en el proceso de diseño para garantizar la relevancia y efectividad de las soluciones
30.8.3. Evaluación continua de la experiencia del usuario y retroalimentación para optimizar la interacción con sistemas de IA en entornos médicos

30.9. Equidad y transparencia en aprendizaje automático médico

30.9.1. Desarrollo de modelos de aprendizaje automático médico que promuevan la equidad y la transparencia
30.9.2. Implementación de prácticas para mitigar sesgos y garantizar la equidad en la aplicación de algoritmos de IA en el ámbito de la salud
30.9.3. Evaluación continua de la equidad y transparencia en el desarrollo y despliegue de soluciones de aprendizaje automático en medicina

30.10. Seguridad y políticas en la implementación de IA en medicina

30.10.1. Desarrollo de políticas de seguridad para proteger la integridad y confidencialidad de datos en aplicaciones de IA médica
30.10.2. Implementación de medidas de seguridad en el despliegue de sistemas de IA para prevenir riesgos y garantizar la seguridad del paciente
30.10.3. Evaluación continua de las políticas de seguridad para adaptarse a los avances tecnológicos y nuevos desafíos en la implementación de IA en medicina

Este Grand Máster en MBA en Data Science Management te capacitará para liderar y gestionar de manera efectiva en entornos empresariales impulsados por datos”