Titulación universitaria
La mayor escuela de negocios del mundo”
¿Por qué estudiar en TECH?
Gracias a este Grand Máster 100% online, manejarás la Inteligencia Artificial para tomar decisiones informadas sobre políticas educativas, intervenciones de apoyo y evaluación del rendimiento estudiantil”
¿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
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) con el Estudio de Caso. 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”
Estructura y contenido
Este itinerario académico proporcionará al alumnado un dominio de las herramientas más avanzadas en Inteligencia Artificial en el contexto educativo. Mediante 30 completos módulos, el programa abordará cuestiones tales como el Aprendizaje Automático, las Redes Neuronales o el Procesamiento del Lenguaje Natural. De esta forma, los egresados tendrán a su alcance las técnicas más innovadoras de cada área tecnológica. Asimismo, los materiales didácticos ofrecerán al alumnado estrategias vanguardistas para personalizar la experiencia educativa, teniendo presente las dificultades de aprendizaje a partir de análisis de datos.
Accederás a la biblioteca de recursos multimedia y a todo el temario desde el primer día. ¡Actualizarás tus conocimientos a tu propio ritmo!”
Plan de estudios
El Grand Máster MBA en Inteligencia Artificial en Educación de TECH Universidad 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 directivas 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 la Inteligencia Artificial para que los educadores entiendan sus aplicaciones 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 Educación. 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
Modulo 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. Análisis de datos y aplicación de técnicas de IA para la personalización educativa
Módulo 27. Desarrollo de proyectos de Inteligencia Artificial en el Aula
Módulo 28. Práctica docente con Inteligencia Artificial generativa
Módulo 29. Innovaciones y tendencias emergentes en IA para la Educación
Módulo 30. Ética y legislación de la Inteligencia Artificial en Educación
¿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 Competitiva
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 RR.HH
3.4.2. Un nuevo entorno para la gestión y dirección de personas
3.4.3. Dirección estratégica de RR.HH
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 Branding
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 cambio
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 la 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 Ecommerce 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 Artificial
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. Tipos de datos estadísticos
12.2.1. Según tipo
12.2.1.1. Cuantitativos: Datos continuos y datos discretos
12.2.1.2. 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. Análisis de datos y aplicación de técnicas de IA para la personalización educativa
26.1. Identificación, extracción y preparación de datos educativos
26.1.1. Aplicación de H2O.ai en la recolección y selección de datos relevantes en entornos educativos
26.1.2. Técnicas de limpieza y normalización de datos para análisis educativos
26.1.3. Importancia de la integridad y calidad de los datos en investigaciones educativas
26.2. Análisis y evaluación de datos educativos con IA para la mejora continua en el aula
26.2.1. Implementación de TensorFlow en la interpretación de tendencias y patrones educativos mediante técnicas de machine learning
26.2.2. Evaluación del impacto de estrategias pedagógicas mediante análisis de datos
26.2.3. Aplicación de Trinka en la integración de retroalimentación basada en IA para la optimización del proceso de enseñanza
26.3. Definición de indicadores de rendimiento académico a partir de datos educativos
26.3.1. Establecimiento de métricas clave para evaluar el rendimiento estudiantil
26.3.2. Análisis comparativo de indicadores para identificar áreas de mejora
26.3.3. Correlación entre indicadores académicos y factores externos mediante IA
26.4. Herramientas de IA para el control y la toma de decisiones educativas
26.4.1. Sistemas de soporte a la decisión basados con tome.ai para administradores educativos
26.4.2. Utilización de Trello para la planificación y asignación de recursos educativos
26.4.3. Optimización de Procesos Educativos Mediante Análisis Predictivo con Orange Data Mining
26.5. Tecnologías y algoritmos de IA para análisis predictivo de datos de rendimiento académico
26.5.1. Fundamentos de modelos predictivos en educación
26.5.2. Uso de algoritmos de clasificación y regresión para predecir tendencias educativas
26.5.3. Casos prácticos de predicciones exitosas en entornos educativos
26.6. Aplicación de análisis de datos con IA para la prevención y solución de problemas educativos
26.6.1. Identificación temprana de riesgos académicos mediante análisis predictivo
26.6.2. Estrategias de intervención basadas en datos para abordar desafíos educativos
26.6.3. Evaluación del impacto de soluciones basadas con DataRobot AI en la educación
26.7. Diagnóstico personalizado de dificultades de aprendizaje a partir de análisis de datos con IA
26.7.1. Técnicas de IA para la identificación de estilos y dificultades de aprendizaje con IBM Watson Education
26.7.2. Integración de análisis de datos en planes de apoyo educativo individualizados
26.7.3. Estudio de casos de diagnósticos mejorados por el uso de IA
26.8. Análisis de datos y aplicación de IA para identificación de necesidades educativas particulares
26.8.1. Enfoques de IA para la detección de necesidades educativas especiales con Gooroo
26.8.2. Personalización de estrategias de enseñanza basadas en el análisis de datos
26.8.3. Evaluación del impacto de la IA en la inclusión educativa
26.9. Personalización del aprendizaje con IA a partir de análisis de datos de rendimiento académico
26.9.1. Creación de itinerarios de aprendizaje adaptativos utilizando Smart Sparrow
26.9.2. Implementación de sistemas de recomendación para recursos educativos
26.9.3. Medición del progreso individual y ajustes en tiempo real mediante Squirrel AI Learning
26.10. Seguridad y privacidad en el tratamiento de datos educativos
26.10.1. Principios éticos y legales en la gestión de datos educativos
26.10.2. Técnicas de protección de datos y privacidad en sistemas educativos con Google Cloud Security
26.10.3. Casos de estudio sobre violaciones de seguridad y su impacto en la educación
Módulo 27. Desarrollo de proyectos de Inteligencia Artificial en el Aula
27.1. Planificación y Diseño de Proyectos de IA en Educación con Algor Education
27.1.1. Primeros pasos para planificar el proyecto
27.1.2. Bases de conocimiento
27.1.3. Diseño de proyectos de IA en Educación
27.2. Herramientas para el desarrollo de proyectos educativos con IA
27.2.1. Herramientas para el desarrollo de proyectos educativos: TensorFlow Playground
27.2.2. Herramientas para proyectos educativos en Historia
27.2.3. Herramientas para proyectos educativos en Matemáticas: Wolfram Alpha
27.2.4. Herramientas para proyectos educativos en Inglés: Grammarly
27.3. Estrategias de implementación de proyectos de IA en el aula
27.3.1. Cuando implantar un proyecto de IA
27.3.2. Por qué implantar un proyecto de IA
27.3.3. Estrategias a llevar a cabo
27.4. Integración de proyectos de IA en asignaturas específicas
27.4.1. Matemáticas e IA: Thinkster math
27.4.2. Historia e IA
27.4.3. Idiomas e IA: Deep L
27.4.4. Otras asignaturas: Watson Studio
27.5. Proyecto 1: Desarrollo de proyectos educativos utilizando aprendizaje automático con Khan Academy
27.5.1. Primeros pasos
27.5.2. Toma de requisitos
27.5.3. Herramientas a utilizar
27.5.4. Definición del proyecto
27.6. Proyecto 2: Integración de la IA en el desarrollo de juegos educativos
27.6.1. Primeros pasos
27.6.2. Toma de requisitos
27.6.3. Herramientas a utilizar
27.6.4. Definición del proyecto
27.7. Proyecto 3: Desarrollo de chatbots educativos para asistencia estudiantil
27.7.1. Primeros pasos
27.7.2. Toma de requisitos
27.7.3. Herramientas a utilizar
27.7.4. Definición del proyecto
27.8. Proyecto 4: Integración de agentes inteligentes en plataformas educativas con Knewton
27.8.1. Primeros pasos
27.8.2. Toma de requisitos
27.8.3. Herramientas a utilizar
27.8.4. Definición del proyecto
27.9. Evaluación y Medición del Impacto de proyectos de IA en Educación con Qualtrics
27.9.1. Beneficios de trabajar con IA en el aula
27.9.2. Datos reales
27.9.3. IA en el aula
27.9.4. Estadísticas de la IA en educación
27.10. Análisis y mejora continua de proyectos de IA en Educación con Edmodo Insights
27.10.1. Proyectos actuales
27.10.2. Puesta en marcha
27.10.3. Que nos depara el futuro
27.10.4. Transformando el Aulas 360
Módulo 28. Práctica docente con Inteligencia Artificial generativa
28.1. Tecnologías de IA generativa para su uso en Educación
28.1.1. Mercado actual: Artbreeder, Runway ML y DeepDream Generator
28.1.2. Tecnologías en uso
28.1.3. Que está por venir
28.1.4. El futuro del aula
28.2. Aplicación de herramientas de IA generativa en la planificación educativa
28.2.1. Herramientas de planificación: Altitude Learning
28.2.2. Herramientas y su aplicación
28.2.3. Educación e IA
28.2.4. Evolución
28.3. Creación de materiales didácticos con IA generativa mediante Story Ai, Pix2PIx y NeouralTalk2
28.3.1. IA y sus usos en el aula
28.3.2. Herramientas para crear material didáctico
28.3.3. Como trabajar con las herramientas
28.3.4. Comandos
28.4. Desarrollo de pruebas de evaluación mediante IA generativa con Quizgecko
28.4.1. IA y sus usos en el desarrollo de pruebas de evaluación
28.4.2. Herramientas para el desarrollo de pruebas de evaluación
28.4.3. Como trabajar con las herramientas
28.4.4. Comandos
28.5. Retroalimentación y comunicación mejoradas con IA generativa
28.5.1. La IA en la comunicación
28.5.2. Aplicación de herramientas en el desarrollo de la comunicación en el aula
28.5.3. Ventajas e inconvenientes
28.6. Corrección de actividades y pruebas evaluativas mediante IA generativa con Grandscope AI
28.6.1. IA y sus usos en la corrección de actividades y pruebas evaluativas
28.6.2. Herramientas para la corrección de actividades y pruebas evaluativas
28.6.3. Como trabajar con las herramientas
28.6.4. Comandos
28.7. Generación de encuestas de evaluación de la calidad docente mediante IA generativa
28.7.1. IA y sus usos en la generación de encuestas de evaluación de la calidad docente mediante IA
28.7.2. Herramientas para la generación de encuestas de evaluación de la calidad docente mediante IA
28.7.3. Como trabajar con las herramientas
28.7.4. Comandos
28.8. Integración de Herramientas de IA generativa en estrategias pedagógicas
28.8.1. Aplicaciones de la IA en las estrategias pedagógicas
28.8.2. Usos correctos
28.8.3. Ventajas e inconvenientes
28.8.4. Herramientas de IA generativa en las estrategias pedagógicas: Gans
28.9. Utilización de IA generativa para el diseño universal para el aprendizaje
28.9.1. IA generativa, porqué ahora
28.9.2. IA en el aprendizaje
28.9.3. Ventajas e inconvenientes
28.9.4. Aplicaciones de la IA en el aprendizaje
28.10. Evaluación de la efectividad de la IA generativa en la Educación
28.10.1. Datos sobre efectividad
28.10.2. Proyectos
28.10.3. Propósitos de diseño
28.10.4. Evaluar la efectividad de la IA en Educación
Módulo 29. Innovaciones y tendencias emergentes en IA para la Educación
29.1. Herramientas y tecnologías emergentes de IA en el ámbito educativo
29.1.1. Herramientas obsoletas de IA
29.1.2. Herramientas actuales: ClassDojo y Seesaw
29.1.3. Herramientas futuras
29.2. Realidad Aumentada y Virtual en Educación
29.2.1. Herramientas de realidad aumentada
29.2.2. Herramientas de realidad virtual
29.2.3. Aplicación de herramientas y sus usos
29.2.4. Ventajas e inconvenientes
29.3. IA conversacional para apoyo educativo y el aprendizaje interactivo con Wysdom AI y SnatchBot
29.3.1. IA conversacional, porqué ahora
29.3.2. IA en el aprendizaje
29.3.3. Ventajas e inconvenientes
29.3.4. Aplicaciones de la IA en el aprendizaje
29.4. Aplicación de IA para la mejora de la retención de conocimiento
29.4.1. IA como herramienta de apoyo
29.4.2. Pautas a seguir
29.4.3. Rendimiento de la IA en la retención de conocimiento
29.4.4. IA y herramientas de apoyo
29.5. Tecnologías de reconocimiento facial y emocional para el seguimiento de la participación y el bienestar de los estudiantes
29.5.1. Tecnologías de reconocimiento facial y emocional en el mercado actual
29.5.2. Usos
29.5.3. Aplicaciones
29.5.4. Margen de error
29.5.5. Ventajas e inconvenientes
29.6. Blockchain e IA en Educación para transformar la administración educativa y la certificación
29.6.1. Que es el Blockchain
29.6.2. Blockchain y sus aplicaciones
29.6.3. Blockchain como elemento transformador
29.6.4. Administración educativa y Blockchain
29.7. Herramientas emergentes de IA para mejorar la experiencia de aprendizaje con Squirrel AI Learning
29.7.1. Proyectos actuales
29.7.2. Puesta en marcha
29.7.3. Que nos depara el futuro
29.7.4. Transformando el Aulas 360
29.8. Estrategias para el desarrollo de pilotos con IA emergente
29.8.1. Ventajas e inconvenientes
29.8.2. Estrategias a desarrollar
29.8.3. Puntos clave
29.8.4. Proyectos piloto
29.9. Análisis de Casos de Éxito en Innovaciones de IA
29.9.1. Proyectos innovadores
29.9.2. Aplicación de IA y sus beneficios
29.9.3. IA en el aula, casos de éxito
29.10. Futuro de la IA en Educación
29.10.1. Historia de la IA en educación
29.10.2. Hacia dónde va la IA en el Aula
29.10.3. Proyectos futuros
Módulo 30. Ética y legislación de la Inteligencia Artificial en Educación
30.1. Identificación y tratamiento ético de datos sensibles en el contexto educativo
30.1.1. Principios y prácticas para el manejo ético de datos sensibles en educación
30.1.2. Retos en la protección de la privacidad y confidencialidad de los datos de estudiantes
30.1.3. Estrategias para garantizar la transparencia y el consentimiento informado en la recopilación de datos
30.2. Impacto Social y Cultural de la IA en la Educación
30.2.1. Análisis del efecto de la IA en las dinámicas sociales y culturales dentro de entornos educativos
30.2.2. Exploración de cómo Microsoft AI for Accessibility puede perpetuar o mitigar sesgos y desigualdades sociales
30.2.3. Evaluación de la responsabilidad social de los desarrolladores y educadores en la implementación de la IA
30.3. Legislación y política de datos en IA en entornos educativos
30.3.1. Revisión de las leyes y regulaciones actuales sobre datos y privacidad aplicables a la IA en educación
30.3.2. Impacto de las políticas de datos en la práctica educativa y la innovación tecnológica
30.3.3. Desarrollo de políticas institucionales para el uso ético de la IA en educación con AI Ethics Lab
30.4. Evaluación del impacto ético de la IA
30.4.1. Métodos para evaluar las implicaciones éticas de las aplicaciones de IA en educación
30.4.2. Desafíos en la medición del impacto social y ético de la IA
30.4.3. Creación de marcos éticos para guiar el desarrollo y uso de la IA en educación
30.5. Desafíos y oportunidades de la IA en Educación
30.5.1. Identificación de los principales desafíos éticos y legales en el uso de la IA en educación
30.5.2. Exploración de las oportunidades para mejorar la enseñanza y el aprendizaje a través de Squirrel AI Learning
30.5.3. Balance entre innovación tecnológica y consideraciones éticas en educación
30.6. Aplicación ética de soluciones de IA en el entorno educativo
30.6.1. Principios para el diseño y despliegue ético de soluciones de IA en educación
30.6.2. Estudio de casos sobre aplicaciones éticas de la IA en diferentes contextos educativos
30.6.3. Estrategias para involucrar a todos los stakeholders en la toma de decisiones éticas sobre IA
30.7. IA, diversidad cultural y equidad de género
30.7.1. Análisis del impacto de la IA en la promoción de la diversidad cultural y la equidad de género en educación
30.7.2. Estrategias para desarrollar sistemas de IA inclusivos y sensibles a la diversidad con Teachable Machine by Google
30.7.3. Evaluación de cómo la IA puede influir en la representación y el trato de diferentes grupos culturales y de género
30.8. Consideraciones éticas para el uso de herramientas de la IA en Educación
30.8.1. Directrices éticas para el desarrollo y uso de herramientas de IA en el aula
30.8.2. Discusión sobre el equilibrio entre la automatización y la intervención humana en la educación
30.8.3. Análisis de casos donde el uso de IA en educación ha planteado cuestiones éticas significativas
30.9. Impacto de la IA en la accesibilidad educativa
30.9.1. Exploración de cómo la IA puede mejorar o limitar la accesibilidad en educación
30.9.2. Análisis de soluciones de IA diseñadas para aumentar la inclusión y el acceso a la educación para todos con Google Read Along
30.9.3. Desafíos éticos en la implementación de tecnologías de IA para mejorar la accesibilidad
30.10. Casos de estudio globales en IA y Educación
30.10.1. Análisis de casos de estudio internacionales sobre el uso de la IA en educación
30.10.2. Comparación de enfoques éticos y legales en diferentes contextos culturales educativos
30.10.3. Lecciones aprendidas y mejores prácticas de casos globales en IA y educación
¿Buscas una titulación universitaria compatible con tus responsabilidades diarias? Estás ante el programa adecuado, TECH se adapta a ti”
Grand Master MBA en Inteligencia Artificial en Educación
TECH Universidad presenta con orgullo su programa académico insignia: el Grand Master MBA en Inteligencia Artificial en Educación, con un enfoque especializado en el ámbito de negocios. Este innovador posgrado ha sido diseñado para profesionales que buscan destacar en la intersección de la inteligencia artificial y la gestión educativa. Las clases online de nuestro programa brindan la flexibilidad necesaria para adaptarse a tu agenda profesional y personal, permitiéndote acceder a contenido de alta calidad desde cualquier lugar del mundo. En TECH, entendemos la importancia de la flexibilidad para los profesionales en activo, y es por eso que hemos creado un entorno educativo que se ajusta a tus necesidades. El posgrado se sumerge en la convergencia de la inteligencia artificial y el ámbito educativo desde una perspectiva de negocios. A lo largo del Grand Master MBA, explorarás las aplicaciones prácticas de la inteligencia artificial en la toma de decisiones estratégicas, la gestión educativa eficiente y la creación de entornos de aprendizaje más efectivos.
Especialízate en inteligencia artificial aplicado al sector educativo
En TECH Universidad, nos enorgullece contar con un cuerpo docente altamente calificado que combina experiencia en el mundo empresarial y conocimientos avanzados en inteligencia artificial. Estarás inmerso en un ambiente de aprendizaje enriquecedor, participando en discusiones, proyectos prácticos y casos de estudio que te prepararán para liderar en la era de la inteligencia artificial en la educación. Al graduarte de nuestro Grand Master MBA, estarás equipado con las habilidades necesarias para implementar soluciones innovadoras, liderar proyectos académicos impulsados por la inteligencia artificial y marcar la diferencia en la evolución del sector educativo. Si buscas un programa que te permita destacar en la intersección entre la inteligencia artificial y los negocios educativos, este Grand Master MBA de TECH Universidad es la opción ideal. Prepárate para impulsar tu carrera y contribuir al cambio positivo en la educación a nivel global.