¿Por qué estudiar en TECH?

Un programa universitario con el que te convertirás en el Investigador Clínico más destacado de tu entorno. ¡Liderarás proyectos que contribuirán al avance en la Medicina!” 

##IMAGE##

¿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

idea icon
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. 
head icon
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.
neuronas icon
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.
hands icon
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.
star icon
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.
earth icon
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.  
##IMAGE##
human icon
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:   

brain icon
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.  

micro icon
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.   

corazon icon
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

Por medio de esta capacitación universitaria, el alumnado tendrá una comprensión sólida de los principios de la Inteligencia Artificial y podrán integrar con eficacia sus herramientas a sus proyectos de Investigación Clínica. Para ello, el plan de estudio incluirá temas como los Sistemas Inteligentes, Algoritmia y Aprendizaje Automático. Esto permitirá a los egresados analizar grandes cantidades de datos médicos, que le servirán para tomar decisiones altamente informadas. Además, el programa incluirá módulos disruptivos que ahondarán en las Redes Neuronales, Personalización de Modelos o Procesamiento del Lenguaje Natural.

Esta titulación universitaria te permitirá ejercitarte en entornos simulados, que proporcionan un aprendizaje inmersivo programado para entrenarse ante situaciones reales" }

Plan de estudios

El Grand Máster en MBA Inteligencia Artificial en Investigación Clínica  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 y está diseñado para que los directivos entiendan su aplicación en Investigación 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 Investigación 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. Métodos y Herramientas de IA para la Investigación Clínica 
Módulo 27. Investigación Biomédica con IA 
Módulo 28. Aplicación Práctica de IA en Investigación Clínica 
Módulo 29. Análisis de Big Data y aprendizaje automáitco en Investigación Clínica 
Módulo 30. Aspectos éticos, legales y futuro de la IA en Investigación Clínica 

##IMAGE##

¿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. Métodos y Herramientas de IA para la Investigación Clínica 

26.1. Tecnologías y herramientas de IA en la investigación clínica 

26.1.1. Uso de aprendizaje automático para identificar patrones en datos clínicos 
26.1.2. Desarrollo de algoritmos predictivos para ensayos clínicos 
26.1.3. Implementación de sistemas de IA para la mejora en el reclutamiento de pacientes 
26.1.4. Herramientas de IA para el análisis en tiempo real de datos de investigación con Tableau 

26.2. Métodos estadísticos y algoritmos en estudios clínicos 

26.2.1. Aplicación de técnicas estadísticas avanzadas para el análisis de datos clínicos 
26.2.2. Uso de algoritmos para la validación y verificación de resultados de ensayos 
26.2.3. Implementación de modelos de regresión y clasificación en estudios clínicos 
26.2.4. Análisis de grandes conjuntos de datos mediante métodos estadísticos computacionales 

26.3. Diseño de experimentos y análisis de resultados 

26.3.1. Estrategias para el diseño eficiente de ensayos clínicos utilizando IA con IBM Watson Health 
26.3.2. Técnicas de IA para el análisis y la interpretación de datos experimentales 
26.3.3. Optimización de protocolos de investigación mediante simulaciones de IA 
26.3.4. Evaluación de la eficacia y seguridad de tratamientos utilizando modelos de IA 

26.4. Interpretación de imágenes médicas mediante IA en investigación mediante Aidoc 

26.4.1. Desarrollo de sistemas de IA para la detección automática de patologías en imágenes 
26.4.2. Uso de aprendizaje profundo para la clasificación y segmentación en imágenes médicas 
26.4.3. Herramientas de IA para mejorar la precisión en diagnósticos por imagen 
26.4.4. Análisis de imágenes radiológicas y de resonancia magnética mediante IA 

26.5. Análisis de datos clínicos y biomédicos 

26.5.1. IA en el procesamiento y análisis de datos genómicos y proteómicos DeepGenomics 
26.5.2. Herramientas para el análisis integrado de datos clínicos y biomédicos 
26.5.3. Uso de IA para identificar biomarcadores en investigación clínica 
26.5.4. Análisis predictivo de resultados clínicos basado en datos biomédicos 

26.6. Visualización avanzada de datos en Investigación Clínica 

26.6.1. Desarrollo de herramientas de visualización interactiva para datos clínicos 
26.6.2. Uso de IA en la creación de representaciones gráficas de datos complejos Microsoft Power BI 
26.6.3. Técnicas de visualización para la interpretación fácil de resultados de investigación 
26.6.4. Herramientas de realidad aumentada y virtual para la visualización de datos biomédicos 

26.7. Procesamiento de lenguaje natural en documentación científica y clínica 

26.7.1. Aplicación de PNL para el análisis de literatura científica y registros clínicos con Linguamatics 
26.7.2. Herramientas de IA para la extracción de información relevante de textos médicos 
26.7.3. Sistemas de IA para resumir y categorizar publicaciones científicas 
26.7.4. Uso de PNL en la identificación de tendencias y patrones en documentación clínica 

26.8. Procesamiento de datos heterogéneos en Investigación Clínica con Google Cloud Healthcare API e IBM Watson Health 

26.8.1. Técnicas de IA para integrar y analizar datos de diversas fuentes clínicas 
26.8.2. Herramientas para el manejo de datos clínicos no estructurados 
26.8.3. Sistemas de IA para la correlación de datos clínicos y demográficos 
26.8.4. Análisis de datos multidimensionales para obtener insights clínicos 

26.9. Aplicaciones de redes neuronales en investigaciones biomédicas 

26.9.1. Uso de redes neuronales para el modelado de enfermedades y predicción de tratamientos 
26.9.2. Implementación de redes neuronales en la clasificación de enfermedades genéticas 
26.9.3. Desarrollo de sistemas de diagnóstico basados en redes neuronales 
26.9.4. Aplicación de redes neuronales en la personalización de tratamientos médicos 

26.10. Modelado predictivo y su impacto en la investigación clínica 

26.10.1. Desarrollo de modelos predictivos para la anticipación de resultados clínicos 
26.10.2. Uso de IA en la predicción de efectos secundarios y reacciones adversas 
26.10.3. Implementación de modelos predictivos en la optimización de ensayos clínicos 
26.10.4. Análisis de riesgos en tratamientos médicos utilizando modelado predictivo

Módulo 27. Investigación Biomédica con IA 

27.1. Diseño y ejecución de estudios observacionales con IA 

27.1.1. Implementación de IA para la selección y segmentación de poblaciones en estudios 
27.1.2. Uso de algoritmos para la monitorización en tiempo real de datos de estudios observacionales 
27.1.3. Herramientas de IA para la identificación de patrones y correlaciones en estudios observacionales con Flatiron Health 
27.1.4. Automatización del proceso de recopilación y análisis de datos en estudios observacionales 

27.2. Validación y calibración de modelos en investigación clínica 

27.2.1. Técnicas de IA para asegurar la precisión y fiabilidad de modelos clínicos 
27.2.2. Uso de IA en la calibración de modelos predictivos en investigación clínica 
27.2.3. Métodos de validación cruzada aplicados a modelos clínicos mediante IA con KNIME Analytics Platform 
27.2.4. Herramientas de IA para la evaluación de la generalización de modelos clínicos 

27.3. Métodos de integración de datos heterogéneos en investigación clínica 

27.3.1. Técnicas de IA para combinar datos clínicos, genómicos y ambientales con DeepGenomics 
27.3.2. Uso de algoritmos para manejar y analizar datos clínicos no estructurados 
27.3.3. Herramientas de IA para la normalización y estandarización de datos clínicos con Informatica’s Healthcare Data Management 
27.3.4. Sistemas de IA para la correlación de diferentes tipos de datos en investigación 

27.4. Integración de datos biomédicos multidisciplinarios mediante Flatiron Health’s OncologyCloud y AutoML 

27.4.1. Sistemas de IA para combinar datos de diferentes disciplinas biomédicas 
27.4.2. Algoritmos para el análisis integrado de datos clínicos y de laboratorio 
27.4.3. Herramientas de IA para la visualización de datos biomédicos complejos 
27.4.4. Uso de IA en la creación de modelos holísticos de salud a partir de datos multidisciplinarios 

27.5. Algoritmos de aprendizaje profundo en análisis de datos biomédicos

27.5.1. Implementación de redes neuronales en el análisis de datos genéticos y proteómicos 
27.5.2. Uso de aprendizaje profundo para la identificación de patrones en datos biomédicos 
27.5.3. Desarrollo de modelos predictivos en medicina de precisión con aprendizaje profundo 
27.5.4. Aplicación de IA en el análisis avanzado de imágenes biomédicas mediante Aidoc 

27.6. Optimización de procesos de investigación con automatización 

27.6.1. Automatización de rutinas de laboratorio mediante sistemas de IA con Beckman Coulter 
27.6.2. Uso de IA para la gestión eficiente de recursos y tiempo en investigación 
27.6.3. Herramientas de IA para la optimización de flujos de trabajo en investigación clínica 
27.6.4. Sistemas automatizados para el seguimiento y reporte de avances en investigación 

27.7. Simulación y modelado computacional en medicina con IA 

27.7.1. Desarrollo de modelos computacionales para simular escenarios clínicos 
27.7.2. Uso de IA para la simulación de interacciones moleculares y celulares con Schrödinger  
27.7.3. Herramientas de IA en la creación de modelos predictivos de enfermedades con GNS Healthcare 
27.7.4. Aplicación de IA en la simulación de efectos de fármacos y tratamientos 

27.8. Uso de la realidad virtual y aumentada en estudios clínicos con Surgical Theater 

27.8.1. Implementación de realidad virtual para la formación y simulación en medicina 
27.8.2. Uso de realidad aumentada en procedimientos quirúrgicos y diagnósticos 
27.8.3. Herramientas de realidad virtual para estudios de comportamiento y psicología 
27.8.4. Aplicación de tecnologías inmersivas en la rehabilitación y terapia 

27.9. Herramientas de minería de datos aplicadas a la investigación biomédica 

27.9.1. Uso de técnicas de minería de datos para extraer conocimientos de bases de datos biomédicas 
27.9.2. Implementación de algoritmos de IA para descubrir patrones en datos clínicos 
27.9.3. Herramientas de IA para la identificación de tendencias en grandes conjuntos de datos con Tableau 
27.9.4. Aplicación de minería de datos en la generación de hipótesis de investigación  

27.10. Desarrollo y validación de biomarcadores con inteligencia artificial 

27.10.1. Uso de IA para la identificación y caracterización de nuevos biomarcadores 
27.10.2. Implementación de modelos de IA para la validación de biomarcadores en estudios clínicos 
27.10.3. Herramientas de IA en la correlación de biomarcadores con resultados clínicos con Oncimmune 
27.10.4. Aplicación de IA en el análisis de biomarcadores para la medicina personalizada

Módulo 28. Aplicación Práctica de IA en Investigación Clínica 

28.1. Tecnologías de secuenciación genómica y análisis de datos con IA con DeepGenomics 

28.1.1. Uso de IA para el análisis rápido y preciso de secuencias genéticas 
28.1.2. Implementación de algoritmos de aprendizaje automático en la interpretación de datos genómicos 
28.1.3. Herramientas de IA para identificar variantes genéticas y mutaciones 
28.1.4. Aplicación de IA en la correlación genómica con enfermedades y rasgos 

28.2. IA en el análisis de imágenes biomédicas con Aidoc 

28.2.1. Desarrollo de sistemas de IA para la detección de anomalías en imágenes médicas 
28.2.2. Uso de aprendizaje profundo en la interpretación de radiografías, resonancias y tomografías 
28.2.3. Herramientas de IA para mejorar la precisión en el diagnóstico por imágenes 
28.2.4. Implementación de IA en la clasificación y segmentación de imágenes biomédicas 

28.3. Robótica y automatización en laboratorios clínicos 

28.3.1. Uso de robots para la automatización de pruebas y procesos en laboratorios 
28.3.2. Implementación de sistemas automáticos para la gestión de muestras biológicas 
28.3.3. Desarrollo de tecnologías robóticas para mejorar la eficiencia y precisión en análisis clínicos 
28.3.4. Aplicación de IA en la optimización de flujos de trabajo en laboratorios con Optum 

28.4. IA en la personalización de terapias y medicina de precisión 

28.4.1. Desarrollo de modelos de IA para la personalización de tratamientos médicos 
28.4.2. Uso de algoritmos predictivos en la selección de terapias basadas en perfiles genéticos 
28.4.3. Herramientas de IA en la adaptación de dosis y combinaciones de medicamentos con PharmGKB 
28.4.4. Aplicación de IA en la identificación de tratamientos efectivos para grupos específicos  

28.5. Innovaciones en diagnóstico asistido por IA mediante ChatGPT y Amazon Comprehend Medical 

28.5.1. Implementación de sistemas de IA para diagnósticos rápidos y precisos 
28.5.2. Uso de IA en la identificación temprana de enfermedades a través de análisis de datos 
28.5.3. Desarrollo de herramientas de IA para la interpretación de pruebas clínicas 
28.5.4. Aplicación de IA en la combinación de datos clínicos y biomédicos para diagnósticos integrales 

28.6. Aplicaciones de IA en microbioma y estudios de microbiología con Metabiomics 

28.6.1. Uso de IA en el análisis y mapeo del microbioma humano 
28.6.2. Implementación de algoritmos para estudiar la relación entre microbioma y enfermedades 
28.6.3. Herramientas de IA en la identificación de patrones en estudios microbiológicos 
28.6.4. Aplicación de IA en la investigación de terapias basadas en microbioma 

28.7. Wearables y monitoreo remoto en estudios clínicos 

28.7.1. Desarrollo de dispositivos wearables con IA para el monitoreo continuo de salud con FitBit 
28.7.2. Uso de IA en la interpretación de datos recopilados por wearables 
28.7.3. Implementación de sistemas de monitoreo remoto en ensayos clínicos 
28.7.4. Aplicación de IA en la predicción de eventos clínicos a través de datos de wearables 

28.8. IA en la gestión de ensayos clínicos con Oracle Health Sciences 

28.8.1. Uso de sistemas de IA para la optimización de la gestión de ensayos clínicos 
28.8.2. Implementación de IA en la selección y seguimiento de participantes 
28.8.3. Herramientas de IA para el análisis de datos y resultados de ensayos clínicos 
28.8.4. Aplicación de IA en la mejora de la eficiencia y reducción de costos en ensayos 

28.9. Desarrollo de vacunas y tratamientos asistidos por IA con Benevolent AI 

28.9.1. Uso de IA en la aceleración del desarrollo de vacunas 
28.9.2. Implementación de modelos predictivos en la identificación de potenciales tratamientos 
28.9.3. Herramientas de IA para simular respuestas a vacunas y medicamentos 
28.9.4. Aplicación de IA en la personalización de vacunas y terapias 

28.10. Aplicaciones de IA en inmunología y estudios de respuesta inmune 

28.10.1. Desarrollo de modelos de IA para entender mecanismos inmunológicos con Immuneering 
28.10.2. Uso de IA en la identificación de patrones en respuestas inmunes 
28.10.3. Implementación de IA en la investigación de trastornos autoinmunes 
28.10.4. Aplicación de IA en el diseño de inmunoterapias personalizadas

Módulo 29. Análisis de Big Data y aprendizaje automático en Investigación Clínica 

29.1. Big Data en Investigación Clínica: Conceptos y Herramientas 

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

29.2. Minería de datos en registros clínicos y biomédicos con KNIME y Python 

29.2.1. Principales metodologías para la minería de datos 
29.2.2. Integración de datos de registros clínicos y biomédicos 
29.2.3. Detección de patrones y anomalías en los registros clínicos y biomédicos 

29.3. Algoritmos de aprendizaje automático en investigación biomédica con KNIME y Python 

29.3.1. Técnicas de clasificación en investigación biomédica 
29.3.2. Técnicas de regresión en investigación biomédica 
29.3.4. Técnicas no supervisadas en investigación biomédica 

29.4. Técnicas de análisis predictivo en investigación clínica con KNIME y Python 

29.4.1. Técnicas de clasificación en investigación clínica 
29.4.2. Técnicas de regresión en investigación clínica 
29.4.3. Deep Learning en investigación clínica 

29.5. Modelos de IA en epidemiología y salud pública con KNIME y Python 

29.5.1. Técnicas de clasificación para epidemiología y salud pública 
29.5.2. Técnicas de regresión para epidemiología y salud pública 
29.5.3. Técnicas no supervisadas para epidemiología y salud pública 

29.6. Análisis de redes biológicas y patrones de enfermedad con KNIME y Python 

29.6.1. Exploración de interacciones en redes biológicas para la identificación de patrones de enfermedad 
29.6.2. Integración de datos omics en el análisis de redes para caracterizar complejidades biológicas 
29.6.3. Aplicación de algoritmos de machine learning para el descubrimiento de patrones de enfermedad 

29.7. Desarrollo de herramientas para pronóstico clínico con plataformas tipo workflow y Python 

29.7.1. Creación de herramientas innovadoras para el pronóstico clínico basadas en datos multidimensionales 
29.7.2. Integración de variables clínicas y moleculares en el desarrollo de herramientas de pronóstico 
29.7.3. Evaluación de la efectividad de las herramientas de pronóstico en diversos contextos clínicos 

29.8. Visualización avanzada y comunicación de datos complejos con herramientas tipo PowerBI y Python 

29.8.1. Utilización de técnicas de visualización avanzada para representar datos biomédicos complejos 
29.8.2. Desarrollo de estrategias de comunicación efectiva para presentar resultados de análisis complejos 
29.8.3. Implementación de herramientas de interactividad en visualizaciones para mejorar la comprensión 

29.9. Seguridad de datos y desafíos en la gestión de Big Data 

29.9.1. Abordaje de desafíos en la seguridad de datos en el contexto de Big Data biomédico 
29.9.1. Estrategias para la protección de la privacidad en la gestión de grandes conjuntos de datos biomédicos 
29.9.3. Implementación de medidas de seguridad para mitigar riesgos en el manejo de datos sensibles 

29.10. Aplicaciones prácticas y casos de estudio en Big Data biomédico 

29.10.1. Exploración de casos de éxito en la implementación de Big Data biomédico en investigación clínica 
29.10.2. Desarrollo de estrategias prácticas para la aplicación de Big Data en la toma de decisiones clínicas 
29.10.3. Evaluación de impacto y lecciones aprendidas a través de casos de estudio en el ámbito biomédico

Módulo 30. Aspectos éticos, legales y futuro de la IA en Investigación Clínica 

30.1. Ética en la aplicación de IA en Investigación Clínica 

30.1.1. Análisis ético de la toma de decisiones asistida por IA en entornos de investigación clínica 
30.1.2. Ética en la utilización de algoritmos de IA para la selección de participantes en estudios clínicos 
30.1.3. Consideraciones éticas en la interpretación de resultados generados por sistemas de IA en investigación clínica 

30.2. Consideraciones legales y regulatorias en IA biomédica 

30.2.1. Análisis de la normativa legal en el desarrollo y aplicación de tecnologías de IA en el ámbito biomédico 
30.2.2. Evaluación de la conformidad con regulaciones específicas para garantizar la seguridad y eficacia de las soluciones basadas en IA 
30.2.3. Abordaje de desafíos regulatorios emergentes asociados con el uso de IA en investigación biomédica 

30.3. Consentimiento informado y aspectos éticos en el uso de datos clínicos. 

30.3.1. Desarrollo de estrategias para garantizar un consentimiento informado efectivo en proyectos que involucran IA 
30.3.2. Ética en la recopilación y uso de datos clínicos sensibles en el contexto de investigaciones impulsadas por IA 
30.3.3. Abordaje de cuestiones éticas relacionadas con la propiedad y el acceso a datos clínicos en proyectos de investigación 

30.4. IA y responsabilidad en la Investigación Clínica 

30.4.1. Evaluación de la responsabilidad ética y legal en la implementación de sistemas de IA en protocolos de investigación clínica 
30.4.2. Desarrollo de estrategias para abordar posibles consecuencias adversas de la aplicación de IA en el ámbito de la investigación biomédica 
30.4.3. Consideraciones éticas en la participación activa de la IA en la toma de decisiones en investigación clínica 

30.5. Impacto de la IA en la equidad y acceso a la atención de salud 

30.5.1. Evaluación del impacto de soluciones de IA en la equidad en la participación en ensayos clínicos 
30.5.2. Desarrollo de estrategias para mejorar el acceso a tecnologías de IA en entornos clínicos diversos 
30.5.3. Ética en la distribución de beneficios y riesgos asociados con la aplicación de IA en el cuidado de la salud 

30.6. Privacidad y protección de datos en proyectos de investigación 

30.6.1. Garantía de la privacidad de los participantes en proyectos de investigación que involucran el uso de IA 
30.6.2. Desarrollo de políticas y prácticas para la protección de datos en investigaciones biomédicas 
30.6.3. Abordaje de desafíos específicos de privacidad y seguridad en el manejo de datos sensibles en el ámbito clínico 

30.7. IA y sostenibilidad en investigaciones biomédicas 

30.7.1. Evaluación del impacto ambiental y recursos asociados con la implementación de IA en investigaciones biomédicas 
30.7.2. Desarrollo de prácticas sostenibles en la integración de tecnologías de IA en proyectos de investigación clínica 
30.7.3. Ética en la gestión de recursos y sostenibilidad en la adopción de IA en investigaciones biomédicas 

30.8. Auditoría y explicabilidad de modelos de IA en el ámbito clínico. 

30.8.1. Desarrollo de protocolos de auditoría para evaluar la confiabilidad y precisión de modelos de IA en investigación clínica 
30.8.2. Ética en la explicabilidad de algoritmos para garantizar la comprensión de decisiones tomadas por sistemas de IA en contextos clínicos 
30.8.3. Abordaje de desafíos éticos en la interpretación de resultados de modelos de IA en investigaciones biomédicas 

30.9. Innovación y emprendimiento en el ámbito de la IA clínica 

30.9.1. Ética en la innovación responsable al desarrollar soluciones de IA para aplicaciones clínicas 
30.9.2. Desarrollo de estrategias empresariales éticas en el ámbito de la IA clínica 
30.9.3. Consideraciones éticas en la comercialización y adopción de soluciones de IA en el sector clínico 

30.10. Consideraciones éticas en la colaboración internacional en investigación clínica 

30.10.1. Desarrollo de acuerdos éticos y legales para la colaboración internacional en proyectos de investigación impulsados por IA 
30.10.2. Ética en la participación de múltiples instituciones y países en la investigación clínica con tecnologías de IA 
30.10.3. Abordaje de desafíos éticos emergentes asociados con la colaboración global en investigaciones biomédicas

##IMAGE##

Un equipo docente de referencia te adentrará en los últimos avances de la Deep Computer Vision con Redes Neuronales Convolucionales” 

Grand Master MBA en Inteligencia Artificial en Investigación Clínica

Avanza en el campo de la investigación clínica y la medicina con el exclusivo Grand Master MBA creado por TECH Universidad. Este programa pionero, impartido en modalidad online, combina los conocimientos fundamentales de la investigación clínica con las habilidades avanzadas en IA, preparándote para liderar en la innovación y el avance de la atención médica. Mediante el plan de estudios, explorarás los principios fundamentales de la investigación clínica, incluyendo el diseño de estudios, la recolección de datos, el análisis estadístico y la interpretación de resultados. Aprenderás cómo se llevan a cabo los ensayos clínicos y qué requisitos regulatorios deben cumplirse. Además, descubrirás cómo la IA está transformando la investigación clínica y la práctica médica. Explorarás aplicaciones como el análisis de imágenes médicas, la predicción de resultados de pacientes y la personalización del tratamiento, lo que te permitirá aplicar algoritmos de aprendizaje automático para mejorar la precisión y la eficiencia de los procesos de investigación.

Titúlate con un Grand Master MBA en Inteligencia Artificial en Investigación Clínica

Con una combinación única de conocimientos teóricos y habilidades prácticas, te equiparemos para enfrentar los desafíos más apremiantes en la investigación médica y mejorar la salud y el bienestar de las personas en todo el mundo. Al avanzar en el programa, explorarás los aspectos éticos y regulatorios de la investigación clínica, incluyendo el consentimiento informado, la protección de la privacidad del paciente y el cumplimiento de las normativas de la FDA y otras agencias reguladoras. Aprenderás a diseñar estudios que cumplan con los más altos estándares éticos y regulatorios. A partir de esto, desarrollarás habilidades en análisis de datos e interpretación de resultados de investigación clínica, lo que te permitirá utilizar herramientas estadísticas y software de análisis de datos para extraer información significativa de conjuntos de datos clínicos y comunicar los hallazgos de manera clara y efectiva. Por último, desarrollarás competencias en el diseño y la gestión de ensayos clínicos, aprendiendo a planificar, ejecutar y supervisar estudios de investigación en el ámbito clínico. ¡Únete a nosotros y marca la diferencia en la investigación clínica hoy mismo!