Curso gratis IFCT107 RESPONSABLE EXPERTO DE DATA

Curso Gratis Online para Trabajadores y Empresas

Si eres trabajador en Régimen General, disfruta del curso gratis online a través de la formación bonificada para empresas.

Nuestros cursos gratis están disponibles en modalidad online o a distancia, consúltanos para informarse de la modalidad del curso gratis para trabajadores de su interés.

OBJETIVOS DEL CURSO GRATIS IFCT107 RESPONSABLE EXPERTO DE DATA

Este Curso IFCT107 RESPONSABLE EXPERTO DE DATA le ofrece una formación especializada en la materia dentro de la Familia Profesional de Informática y comunicaciones. Con este CURSO IFCT107 RESPONSABLE EXPERTO DE DATA el alumno será capaz de Dominar el dato para entenderlo, transformarlo y capturar su máximo potencial con inteligencia artificial para optimizar procesos y simplificar el desarrollo de los proyectos y, comenzar con la creación de modelos de machine learning.

CONTENIDO DEL CURSO GRATIS IFCT107 RESPONSABLE EXPERTO DE DATA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN: LA IMPORTANCIA DEL DATO

1. Concienciación en relación a cómo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios
2. Conocimiento de los diferentes modelos de negocio basado en datos:
3. - Nuevos modelos de negocio en torno al dato
4. - Tipología de datos y cómo se obtienen
5. - Maneras de rentabilizar el dato
6. - Data Business Model Canvas
7. Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA)
8. - Estado actual
9. - Posible evolución futura
10. Dominio de Conceptos básicos
11. - Qué es Big Data
12. - Qué es Machine Learning
13. - Qué es Deep Learning
14. Concienciación sobre el poder de los datos en las organizaciones tanto para mejorar la toma de decisiones como para crear modelos de negocio basado en datos
15. Visión trasversal sobre cómo Data Science se aplica en las diferentes áreas de la organización para impulsar las capacidades

UNIDAD DIDÁCTICA 2. NOCIONES INICIALES DE PYTHON, DATA ENGINEERING Y ESTADÍSTICA

1. Desarrollo de los fundamentos de Big Data
2. - Qué es el Big Data
3. - Perfiles técnicos: Data Analyst, Engineer, Arquitect, QA...
4. - El proceso de construir un proyecto de Big Data
5. - Arquitecturas de Big Data
6. - Las claves del éxito del big data
7. Identificación de los fundamentos de Machine Learning
8. - Introducción al Machine Learning: Datos, algoritmos, modelos, producción...
9. - Aproximación a los algoritmos: clasificación, predicción y clustering
10. - Creación de modelos de Machine Learning
11. - Las claves del aprendizaje automático
12. - La productivización de modelos
13. Análisis de los fundamentos de IA: Visión, NPL...
14. - Introducción al Deep Learning y sus aplicaciones
15. - Tipos de redes neuronales y su entrenamiento
16. - Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL
17. Conocimientos avanzados de Python Crash Course
18. - Uso de pycharm como entorno de trabajo
19. - Uso de notebooks
20. - Conocimiento de la sintaxis del lenguaje: bucles, variables
21. - Librerías
22. - Funciones
23. - Programación orientada a objetos en Python
24. Aproximación a la arquitectura de la información y al SQL
25. - Qué es la arquitectura de datos
26. - Modelo relacional tradicional
27. - Modelo estrella
28. - Modelo copo de nieve
29. - Bases de la normalización de datos
30. - Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, índice y partición
31. - SQL
32. - Sintaxis del lenguaje
33. Identificación del Crash course de python para data engineers: SQL y dataframes
34. - Consulta de datos
35. - Cruce de tablas
36. - Inserción y borrado
37. - Dataframes:
38. - Qué es una serie
39. - Qué es un dataframe
40. - Cruces con dataframe
41. - Funciones lambda con columnas
42. - Leer y salvar datos desde y a dataframe desde distintos formatos
43. Diferenciación entre ETL/ELT y preproceso de datos
44. - ELT o ETL
45. - Pipelines de datos
46. - ¿Cómo estructurar los distintos pasos del workflow de datos?
47. - Automatización de procesos
48. Aplicación del proceso del análisis exploratorio
49. - Arranque de un proceso exploratorio
50. - Los objetivos de un análisis exploratorio
51. - Uso del proceso exploratorio para validación de hipótesis
52. - Naturaleza iterativa del proceso
53. Utilización de herramientas de visualización exploratoria y librerías
54. - Análisis descriptivo gráfico
55. - Análisis descriptivo basado en estadísticos
56. Realización de análisis univariante y multivariante
57. - Análisis multivariante
58. - Análisis univariante
59. Conocimiento de la Estadística descriptiva
60. - Media, mediana, momentos, etc...
61. - Desviación, varianza
62. - Sesgos y medidas de homogeneidad de la información
63. Aproximación breve al algebra lineal
64. - Operaciones matriz-escalar
65. - Operaciones matriz-matriz
66. - Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad
67. - Trasposición e inversa de una matriz
68. Análisis de correlación de variables: fundamentos de estadística y probabilidad
69. - Ingeniería de características: descarte y selección de características
70. - Cómo analizar la correlación entre variables
71. - Efecto de las correlaciones
72. - Eliminación de la correlación
73. Deducción estadística y contraste de hipótesis
74. - Definición de una distribución una variable aleatoria
75. - Definición de una función de probabilidad
76. Desarrollo de los fundamentos de Big Data
77. - Qué es el Big Data
78. - Perfiles técnicos: Data Analyst, Engineer, Arquitect, QA...
79. - El proceso de construir un proyecto de Big Data
80. - Arquitecturas de Big Data
81. - Las claves del éxito del big data
82. Identificación de los fundamentos de Machine Learning
83. - Introducción al Machine Learning: Datos, algoritmos, modelos, producción...
84. - Aproximación a los algoritmos: clasificación, predicción y clustering
85. - Creación de modelos de Machine Learning
86. - Las claves del aprendizaje automático
87. - La productivización de modelos
88. Análisis de los fundamentos de IA: Visión, NPL...
89. - Introducción al Deep Learning y sus aplicaciones
90. - Tipos de redes neuronales y su entrenamiento
91. - Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL
92. Conocimientos avanzados de Python Crash Course
93. - Uso de pycharm como entorno de trabajo
94. - Uso de notebooks
95. - Conocimiento de la sintaxis del lenguaje: bucles, variables
96. - Librerías
97. - Funciones
98. - Programación orientada a objetos en Python
99. Aproximación a la arquitectura de la información y al SQL
100. - Qué es la arquitectura de datos
101. - Modelo relacional tradicional
102. - Modelo estrella
103. - Modelo copo de nieve
104. - Bases de la normalización de datos
105. - Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, índice y partición
106. - SQL
107. - Sintaxis del lenguaje
108. Identificación del Crash course de python para data engineers: SQL y dataframes
109. - Consulta de datos
110. - Cruce de tablas
111. - Inserción y borrado
112. - Dataframes:
113. - Qué es una serie
114. - Qué es un dataframe
115. - Cruces con dataframe
116. - Funciones lambda con columnas
117. - Leer y salvar datos desde y a dataframe desde distintos formatos
118. Diferenciación entre ETL/ELT y preproceso de datos
119. - ELT o ETL
120. - Pipelines de datos
121. - ¿Cómo estructurar los distintos pasos del workflow de datos?
122. - Automatización de procesos
123. Aplicación del proceso del análisis exploratorio
124. - Arranque de un proceso exploratorio
125. - Los objetivos de un análisis exploratorio
126. - Uso del proceso exploratorio para validación de hipótesis
127. - Naturaleza iterativa del proceso
128. Utilización de herramientas de visualización exploratoria y librerías
129. - Análisis descriptivo gráfico
130. - Análisis descriptivo basado en estadísticos
131. Realización de análisis univariante y multivariante
132. - Análisis multivariante
133. - Análisis univariante
134. Conocimiento de la Estadística descriptiva
135. - Media, mediana, momentos, etc...
136. - Desviación, varianza
137. - Sesgos y medidas de homogeneidad de la información
138. Aproximación breve al algebra lineal
139. - Operaciones matriz-escalar
140. - Operaciones matriz-matriz
141. - Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad
142. - Trasposición e inversa de una matriz
143. Análisis de correlación de variables: fundamentos de estadística y probabilidad
144. - Ingeniería de características: descarte y selección de características
145. - Cómo analizar la correlación entre variables
146. - Efecto de las correlaciones
147. - Eliminación de la correlación
148. Deducción estadística y contraste de hipótesis
149. - Definición de una distribución una variable aleatoria
150. - Definición de una función de probabilidad

UNIDAD DIDÁCTICA 3. CONOCIMIENTO AVANZADO DE MACHINE LEARNING & ARTIFICIAL INTELLIGENCE

1. Aproximación a la modelización
2. - Introducción a la modelización
3. - Tipos de modelos
4. Identificación de los Modelos de regresión
5. - Modelos de regresión simple
6. - Modelos de regresión múltiple
7. - Modelos de regresión generalizado
8. Clasificación de los distintos modelos de Árboles:
9. - Modelos de inferencia de árboles de decisión y regresión:
10. - Clasificadores binarios
11. - Regresión
12. - Modelos de inferencia de árboles de decisión: clasificadores multiclase
13. - Modelos avanzados de árboles:
14. - Boosting
15. - Random forest
16. Conocimientos de Algoritmos alternativos de clasificación
17. Conocimientos de Eager y Lazy classifiers
18. Utilización de Clustering
19. - Introducción a los modelos no supervisados
20. - Análisis clúster
21. Aproximación al método científico:
22. - Evaluación de modelos
23. Evaluación y optimización de modelos:
24. - Control de outliers y análisis de residuos
25. - Modelos no supervisados
26. - Modelos supervisados
27. Creación de Ingeniería de variables:
28. - Principios de la ingeniería de variables en la creación de variables
29. - La dimensionalidad
30. - Técnicas: PCA y SVD
31. Ensamblado de modelos:
32. - Definición de model ensembles
33. - Modelos débiles y modelos fuertes
34. - Creación de pipelines para crear modelos ensamblados
35. Gestión del ciclo de vida de los modelos
36. Interpretabilidad
37. Aproximación a modelos heurísticos de optimización
38. Conocimiento de los algoritmos genéticos
39. - Principios de optimización basado en heurísticos
40. - Gradiente descendente
41. - Modelos basados en comportamientos animales
42. - El algoritmo genético
43. - Aplicaciones de los algoritmos genéticos
44. - Cromosoma y función de fitness
45. - Resolución de un problema usando algoritmos genéticos
46. Utilización de series temporales y forecasting
47. - Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad
48. - Series estacionarias y no estacionarias
49. - Análisis de anomalías
50. - Suavizado exponencial
51. - Modelos autoregresivos
52. - Modelos univariantes y multivariantes
53. - Modelos arima
54. - Modelos con parametrización automática
55. Gestión de proyectos de Data Science

UNIDAD DIDÁCTICA 4. APLICACIONES DEL DEEP LEARNING

1. Aproximación a redes neuronales artificiales (ANN)
2. - ¿Qué es una red neuronal artificial?
3. - Tipos de redes: profundas y superficiales (shallow)
4. - Técnica del gradiente descendiente
5. Conocimiento de los campos de aplicación de ANN
6. - Visión por computador
7. - Análisis y síntesis del lenguaje
8. - Análisis de secuencias
9. - GAN y deepfake
10. Aproximación al Shallow & Deep neural networks. Introducción CNN
11. - Perceptrón simple
12. - Topologías de redes neuronales
13. - MNIST
14. - Regularización: L1, L2, dropout y otros
15. - Creación de una CNN con keras
16. Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN)

UNIDAD DIDÁCTICA 5. ENTORNOS BIG DATA & CLOUD

1. Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y altamente escalables
2. - Comprender el papel del Big data en la ciencia de datos
3. - Apache Spark
4. - Spark en modo batch y en semi-tiempo real (microbatches)
5. - Lazy evaluation
6. Utilización de Dataframes y Data pipelines en Spark
7. - Operaciones sobre dataframes (SQL o pyspark)
8. - Creación de data pipelines con spark
9. - Transformación de dataframes
10. Creación de modelos de Machine Learning en Spark
11. - Entrenamiento de modelos e integración en pipelines
12. - Aplicación de la inferencia de modelos en Spark
13. Despliegue de pipelines de modelos con Spark
14. Desarrollo de modelos con proveedores de Cloud Machine Learning

UNIDAD DIDÁCTICA 6. VISUALIZACIÓN DE LOS DATOS

1. Comprensión de las claves del storytelling a través de los datos
2. La ciencia de la visualización de datos y el storytelling: su valor en el mundo profesional
3. Uso del storytelling con datos
4. Principios de la comunicación visual de los datos
5. Uso de los distintos controles visuales
6. Comprensión de los conceptos Business Intelligence y Data Visualization
7. Entender el proceso para trabajar en la herramienta de visualización en un contexto de Business Intelligence
8. Fuentes de datos, tratamiento y preparación de datos, modelaje de datos (relaciones), análisis exploratorio y específicos, visualización y reporting
9. Profundización en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos
10. Entorno de PowerBI: organización y componentes
11. Importación de datos
12. Visualizaciones básicas realizando agrupaciones y aplicando filtros
13. Trabajar y preparar los datos: columnas calculadas, medidas, fórmulas con DAX, tablas calculadas...
14. Trabajar con tablas matrices para aumentar la granularidad de los informes
15. Filtrar los datos de manera dinámica con la segmentación de datos
16. Aproximación a la herramienta Tableau

UNIDAD DIDÁCTICA 7. HABILIDADES Y COMPETENCIAS DE GESTIÓN, PERSONALES Y SOCIALES, PARA EL ENTORNO DIGITAL

1. Impulso de habilidades digitales:
2. - Liderazgo participativo
3. - Gestión del cambio
4. - Inteligencia emocional
5. - Storytelling
6. - Creación de marca personal
7. - Comunicación y negociación en entornos digitales
8. Comprensión de las competencias necesarias para el nuevo entorno digital:
9. - La influencia digital
10. - La colaboración en el entorno
11. - La integración de la diversidad
12. - La gestión emocional
13. - La agilidad en toma de decisiones
14. - La anticipación en contextos digitales
15. - La flexibilidad para la transformación
16. - La asunción de incertidumbre y riesgos
17. - La elaboración, gestión y difusión de contenidos
18. Conocimiento de las herramientas imprescindibles para:
19. - El trabajo colaborativo
20. - El trabajo en remoto
21. - La gestión de proyectos
22. - Automatización de flujos de trabajo
23. Práctica en las claves del trabajo en equipo y de la productividad en remoto
24. Fomento del liderazgo participativo y la gestión del cambio
25. Dominio de la comunicación y la negociación en entornos digitales
26. Práctica del modelo de competencias para el entorno digital
27. Elaboración y gestión de la marca personal desde la importancia del storytelling