Desarrolla las habilidades para convertir los datos en información de la que se pueda extraer conocimiento y aplícalos de manera critica en tu departamento”

Este Especialización tiene el objetivo de brindarle a los ingenieros informáticos los conocimientos necesarios para conocer las herramientas, fundamentos de la ciencia de datos y aplicación de la misma para resolver un caso práctico. De esta forma, serán capaces de analizar los datos, visualizar los conjuntos y extraer conclusiones sobre el procesamiento requerido a realizar antes del modelado y su influencia sobre los resultados.

A medida que se avance en el programa, se hará especial hincapié en la extracción del máximo valor de los datos para generar conocimiento especializado sobre las estadísticas y los procedimientos de inferencia. De esta forma, los futuros egresados estarán capacitados para comprender y examinar las técnicas de limpieza de datos más avanzadas, la transformación, la reducción de la dimensionalidad, así como la selección de características y de instancias.

Lo anterior, se complementará con un módulo dedicado a impulsar el conocimiento sobre las diferentes técnicas de aprendizaje automático y los algoritmos que se emplean en estos, dependiendo del tipo de minería que se quiera implementar. Lo interesante de este programa y temario es su capacidad para presentar la teoría de las redes neuronales y su evolución a lo largo de la historia, de una forma didáctica y práctica.

Todo lo anterior se complementa con un programa 100% online, aportando la facilidad de poder cursarlo cómodamente, donde y cuando quiera. Solo necesitará un dispositivo con acceso a internet para lanzar su carrera un paso más allá. Una modalidad acorde al tiempo actual con todas las garantías para posicionar al ingeniero en un sector altamente demandado. 

Concreta procedimientos eficaces y eficientes para el tratamiento de datos según el tipo de problema presentado” 

Esta Especialización en Técnicas, Algoritmos y Herramientas para Data Science contiene el programa educativo más completo y actualizado del mercado. Las características más destacadas de la capacitación son:

• El desarrollo de casos prácticos presentados por expertos en Ingeniería enfocada en el análisis del dato
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Determina las características principales de un Dataset, su estructura, componentes y las implicaciones de su distribución en el modelado” 

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos. 

Demuestra tu capacidad para interpretar la visualización de los datos para un análisis descriptivo con un programa que presenta casos prácticos para un aprendizaje didáctico" 

Examinar las métricas y puntuaciones para cuantificar la calidad de los modelos, convirtiéndote en un ingeniero informático con pensamiento crítico"

El temario de esta Especialización ha sido diseñado para abarcar una serie de conocimientos indispensables para el desarrollo profesional de los ingenieros informáticos. En este sentido, se espera que el profesional logre desarrollar un pensamiento crítico al momento de aplicar estrategias, pudiendo determinar las ventajas y desventajas de estas. 

Transforma los datos en información, añadiendo valor y propiciando la generación de conocimiento nuevo” 

Módulo 1. Herramientas de ciencia de datos            

1.1. Ciencia de datos

1.1.1. La ciencia de datos
1.1.2. Herramientas avanzadas para el científico de datos  

1.2. Datos, información y conocimiento

1.2.1. Datos, información y conocimiento 
1.2.2. Tipos de datos
1.2.3. Fuentes de datos

1.3. De los datos a la información 

1.3.1. Análisis de Datos
1.3.2. Tipos de análisis
1.3.3. Extracción de Información de un Dataset 

1.4. Extracción de información mediante visualización

1.4.1. La visualización como herramienta de análisis
1.4.2. Métodos de visualización 
1.4.3. Visualización de un conjunto de datos

1.5. Calidad de los datos

1.5.1.  Datos de calidad
1.5.2. Limpieza de datos 
1.5.3. Preprocesamiento básico de datos

1.6. Dataset

1.6.1. Enriquecimiento del Dataset
1.6.2. La maldición de la dimensionalidad
1.6.3. Modificación de nuestro conjunto de datos

1.7. Desbalanceo 

1.7.1. Desbalanceo de clases
1.7.2. Técnicas de mitigación del desbalanceo
1.7.3. Balanceo de un Dataset

1.8. Modelos no supervisados 

1.8.1. Modelo no supervisado
1.8.2. Métodos
1.8.3. Clasificación con modelos no supervisados

1.9. Modelos supervisados

1.9.1. Modelo supervisado
1.9.2. Métodos
1.9.3. Clasificación con modelos supervisados

1.10. Herramientas y buenas prácticas

1.10.1. Buenas prácticas para un científico de datos
1.10.2. El mejor modelo 
1.10.3. Herramientas útiles

Módulo 2. Minería de Datos. Selección, preprocesamiento y transformación     

2.1. La inferencia estadística

2.1.1. Estadística descriptiva vs. Inferencia estadística
2.1.2. Procedimientos paramétricos
2.1.3. Procedimientos no paramétricos

2.2. Análisis exploratorio

2.2.1. Análisis descriptivo 
2.2.2. Visualización
2.2.3. Preparación de datos

2.3. Preparación de datos

2.3.1. Integración y limpieza de datos 
2.3.2. Normalización de datos
2.3.3. Transformando atributos 

2.4. Los valores perdidos

2.4.1. Tratamiento de valores perdidos
2.4.2. Métodos de imputación de máxima verosimilitud
2.4.3. Imputación de valores perdidos usando aprendizaje automático

2.5. El ruido en los datos 

2.5.1. Clases de ruido y atributos
2.5.2. Filtrado de ruido 
2.5.3. El efecto del ruido

2.6. La maldición de la dimensionalidad

2.6.1. Oversampling
2.6.2. Undersampling
2.6.3. Reducción de datos multidimensionales

2.7. De atributos continuos a discretos

2.7.1. Datos continuos versus discretos
2.7.2. Proceso de discretización

2.8. Los datos 

2.8.1. Selección de datos 
2.8.2. Perspectivas y criterios de selección
2.8.3. Métodos de selección 

2.9. Selección de instancias

2.9.1. Métodos para la selección de instancias
2.9.2. Selección de prototipos
2.9.3. Métodos avanzados para la selección de instancias

2.10. Preprocesamiento de datos en entornos Big Data

2.10.1. Big Data
2.10.2. Preprocesamiento “clásico” versus masivo
2.10.3. Smart Data    

Módulo 3. Diseño y desarrollo de sistemas inteligentes        

3.1. Preprocesamiento de datos  

3.1.1. Preprocesamiento de datos
3.1.2. Transformación de datos 
3.1.3. Minería de datos

3.2. Aprendizaje automático

3.2.1. Aprendizaje supervisado y no supervisado
3.2.2. Aprendizaje por refuerzo
3.2.3. Otros paradigmas de aprendizaje

3.3. Algoritmos de clasificación

3.3.1. Aprendizaje automático inductivo
3.3.2. SVM y KNN
3.3.3. Métricas y puntuaciones para clasificación

3.4. Algoritmos de regresión 

3.4.1. Regresión lineal, regresión logística y modelos no lineales 
3.4.2. Series temporales 
3.4.3. Métricas y puntuaciones para regresión 

3.5. Algoritmos de agrupamiento 

3.5.1. Técnicas de agrupamiento jerárquico 
3.5.2. Técnicas de agrupamiento particional 
3.5.3. Métricas y puntuaciones para clustering 

3.6. Técnicas de reglas de asociación 

3.6.1. Métodos para la extracción de reglas 
3.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación 

3.7. Técnicas de clasificación avanzadas. Multiclasificadores 

3.7.1. Algoritmos de Bagging 
3.7.2. Clasificador “Random Forests” 
3.7.3. “Boosting” para árboles de decisión 

3.8. Modelos gráficos probabilísticos 

3.8.1. Modelos probabilísticos 
3.8.2. Redes bayesianas. Propiedades, representación y parametrización  
3.8.3. Otros modelos gráficos probabilísticos 

3.9. Redes neuronales 

3.9.1. Aprendizaje automático con redes neuronales artificiales 
3.9.2. Redes feed forward 

3.10. Aprendizaje profundo 

3.10.1. Redes feed forward profundas 
3.10.2. Redes neuronales convolucionales y modelos de secuencia 
3.10.3. Herramientas para implementar redes neuronales profundas

Evidencia las competencias adquiridas para comprender los diferentes algoritmos de aprendizaje automático con el programa más actualizado del mercado”