1. Inicio
  2. Capacitación Profesional
  3. Informática y programación
  4. IFCT107. Responsable experto de data.
  • 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.


  • 1. Introducción: la importancia del dato

    • Conocimientos/ Capacidades cognitivas y prácticas

      • 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.

      • Conocimiento de los diferentes modelos de negocio basado en datos:

        • Nuevos modelos de negocio en torno al dato.

        • Tipología de datos y cómo se obtienen.

        • Maneras de rentabilizar el dato.

        • Data Business Model Canvas.



      • Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA).

        • Estado actual.

        • Posible evolución futura.



      • Dominio de Conceptos básicos:

        • Qué es Big Data.

        • Qué es Machine Learning.

        • Qué es Deep Learning.



      • 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.

      • Visión trasversal sobre cómo Data Science se aplica en las diferentes áreas de la organización para impulsar las capacidades.



    • Habilidades de gestión, personales y sociales

      • Capacidades numéricas y analíticas.

      • Habilidad para trabajar en equipo y con las diferentes áreas de la compañía: Tecnologías de la Información, Seguridad, Legal, Ventas, etc.

      • Conocimiento e interés por cómo evolucionan las áreas de Tecnología y Seguridad.

      • Inquietud y alta motivación por seguir las novedades que se producen de  forma continua en el entorno de los datos.

      • Visión de negocio para buscar y entender el encaje de los datos en los productos y servicios a definir.







  • 2. Nociones iniciales de Python, data engineering y estadística. Módulo de formación

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Desarrollo de los fundamentos de Big Data.

        • Qué es el Big Data.

        • Perfiles técnicos: Data Analyst, Engineer, Arquitect, QA...

        • El proceso de construir un proyecto de Big Data.

        • Arquitecturas de Big Data.

        • Las claves del éxito del big data.



      • Identificación de los fundamentos de Machine Learning.

        • Introducción al Machine Learning: Datos, algoritmos, modelos, producción...

        • Aproximación a los algoritmos: clasificación, predicción y clustering.

        • Creación de modelos de Machine Learning.

        • Las claves del aprendizaje automático.

        • La productivización de modelos.



      • Análisis de los fundamentos de IA: Visión, NPL...

        • Introducción al Deep Learning y sus aplicaciones.

        • Tipos de redes neuronales y su entrenamiento.

        • Funcionamiento y retos del Data Science aplicado al Computer Vision y al NPL.



      • Conocimientos avanzados de Python Crash Course.

        • Uso de pycharm como entorno de trabajo.

        • Uso de notebooks.

        • Conocimiento de la sintaxis del lenguaje: bucles, variables.

        • Librerías.

        • Funciones.

        • Programación orientada a objetos en Python.



      • Aproximación a la arquitectura de la información y al SQL.

        • Qué es la arquitectura de datos.

        • Modelo relacional tradicional.

        • Modelo estrella.

        • Modelo copo de nieve.

        • Bases de la normalización de datos.

        • Definiciones esenciales: base de datos, tablespace, tabla, vista, vista materializada, clave primaria, índice y partición.

        • SQL.

        • Sintaxis del lenguaje.



      • Identificación del Crash course de python para data engineers: SQL y dataframes.

        • Consulta de datos.

        • Cruce de tablas.

        • Inserción y borrado.

        • Dataframes:

          • Qué es una serie.

          • Qué es un dataframe.

          • Cruces con dataframe.

          • Funciones lambda con columnas.

          • Leer y salvar datos desde y a dataframe desde distintos formatos.





      • Diferenciación entre ETL/ELT y preproceso de datos.

        • ELT o ETL.

        • Pipelines de datos.

        • ¿Cómo estructurar los distintos pasos del workflow de datos?

        • Automatización de procesos.



      • Aplicación del proceso del análisis exploratorio.

        • Arranque de un proceso exploratorio.

        • Los objetivos de un análisis exploratorio.

        • Uso del proceso exploratorio para validación de hipótesis.Naturaleza iterativa del proceso.



      • Utilización de herramientas de visualización exploratoria y librerías.

        • Análisis descriptivo gráfico.

        • Análisis descriptivo basado en estadísticos.



      • Realización de análisis univariante y multivariante.

        • Análisis multivariante.

        • Análisis univariante.



      • Conocimiento de la Estadística descriptiva.

        • Media, mediana, momentos, etc.

        • Desviación, varianza.

        • Sesgos y medidas de homogeneidad de la información.



      • Aproximación breve al algebra lineal.

        • Operaciones matriz-escalar.

        • Operaciones matriz-matriz.

        • Propiedades de las matrices: no conmutativa, asociativa, distributiva, matriz identidad.

        • Trasposición e inversa de una matriz.



      • Análisis de correlación de variables: fundamentos de estadística y probabilidad.

        • Ingeniería de características: descarte y selección de características.

        • Cómo analizar la correlación entre variables.

        • Efecto de las correlaciones.

        • Eliminación de la correlación.



      • Deducción estadística y contraste de hipótesis.

        • Definición de una distribución una variable aleatoria.

        • Definición de una función de probabilidad.

        • Habilidades de gestión, personales y sociales



      • Competencias necesarias para el nuevo entorno digital:

        • La influencia digital.

        • La colaboración en el entorno.

        • La integración de la diversidad.

        • La gestión emocional.

        • La agilidad en toma de decisiones.

        • La anticipación en contextos digitales.

        • La flexibilidad para la transformación.

        • La asunción de incertidumbre y riesgos.

        • La elaboración, gestión y difusión de contenidos.









  • 3. Conocimiento avanzado de machine learning & artificial intelligence

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Aproximación a la modelización.

        • Introducción a la modelización.

        • Tipos de modelos.



      • Identificación de los Modelos de regresión.

        • Modelos de regresión simple.

        • Modelos de regresión múltiple.

        • Modelos de regresión generalizado.



      • Clasificación de los distintos modelos de Árboles:

        • Modelos de inferencia de árboles de decisión y regresión:

          • Clasificadores binarios.

          • Regresión.



        • Modelos de inferencia de árboles de decisión: clasificadores multiclase.

        • Modelos avanzados de árboles:

          • Boosting.

          • Random forest.





      • Conocimientos de Algoritmos alternativos de clasificación.

      • Conocimientos de Eager y Lazy classifiers

      • Utilización de Clustering.

        • Introducción a los modelos no supervisados.

        • Análisis clúster.



      • Aproximación al método científico:

        • Evaluación de modelos.



      • Evaluación y optimización de modelos:

        • Control de outliers y análisis de residuos.

        • Modelos no supervisados.

        • Modelos supervisados.



      • Creación de Ingeniería de variables:

        • Principios de la ingeniería de variables en la creación de variables.

        • La dimensionalidad.

        • Técnicas: PCA y SVD.



      • Ensamblado de modelos:

        • Definición de model ensembles.

        • Modelos débiles y modelos fuertes.

        • Creación de pipelines para crear modelos ensamblados.



      • Gestión del ciclo de vida de los modelos.

      • Interpretabilidad.

      • Aproximación a modelos heurísticos de optimización.

      • Conocimiento de los algoritmos genéticos.

        • Principios de optimización basado en heurísticos.

        • Gradiente descendente.

        • Modelos basados en comportamientos animales.

        • El algoritmo genético.

        • Aplicaciones de los algoritmos genéticos.

        • Cromosoma y función de fitness.

        • Resolución de un problema usando algoritmos genéticos.



      • Utilización de series temporales y forecasting.

        • Bases sobre componentes de las series temporales: tendencia, ciclo y estacionalidad.

        • Series estacionarias y no estacionarias.

        • Análisis de anomalías.

        • Suavizado exponencial.

        • Modelos autoregresivos.

        • Modelos univariantes y multivariantes.

        • Modelos arima.

        • Modelos con parametrización automática.



      • Gestión de proyectos de Data Science.



    • Habilidades de gestión, personales y sociales

      • Inteligencia emocional: habilidad humana de comprender y gestionar las emociones en el ámbito profesional.

      • Trabajo en equipo. Las claves del mejor trabajo en equipo:

        • Confianza: cada colaborador debe confiar en los demás tanto como en sí mismo. El apoyo mutuo es imprescindible para garantizar la fluidez en los procesos.

        • Equilibrio: dentro de cada equipo, cada persona tiene su propio rol y debe ser capaz de desarrollarlo de forma individual, en coherencia con los objetivos comunes.

        • Pertenencia: sentirse involucrado con el equipo incentiva una mayor implicación, las ganas de hacer aportaciones valiosas y ver crecer cada proyecto.



      • Adaptabilidad: el talento más flexible, que mejor se adapta a los nuevos escenarios es el más capacitado para materializar las soluciones más novedosas y originales.

      • Pensamiento crítico: Es una competencia clave para complementar la lógica pura, detectar otras variables que pueden afectar a la toma de decisiones y no dar siempre por válida la primera opción.

      • Resolución de problemas: Si la inteligencia artificial es una tecnología orientada a la inmediatez en los resultados, las personas deben ser capaces de crear las estrategias más adecuadas a cada situación para lograr obtener las mejores soluciones.







  • 4. Aplicaciones del deep learning

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Aproximación a redes neuronales artificiales (ANN).

        • ¿Qué es una red neuronal artificial?

        • Tipos de redes: profundas y superficiales (shallow).

        • Técnica del gradiente descendiente.



      • Conocimiento de los campos de aplicación de ANN.

        • Visión por computador.

        • Análisis y síntesis del lenguaje.

        • Análisis de secuencias.

        • GAN y deepfake.



      • Aproximación al Shallow & Deep neural networks. Introducción CNN.

        • Perceptrón simple.

        • Topologías de redes neuronales.

        • MNIST.

        • Regularización: L1, L2, dropout y otros.

        • Creación de una CNN con keras.



      • Comprensión del diseño de redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN).



    • Habilidades de gestión, personales y sociales

      • Inteligencia emocional: habilidad humana de comprender y gestionar las emociones en el ámbito profesional.

      • Trabajo en equipo. Las claves del mejor trabajo en equipo:

        • Confianza: cada colaborador debe confiar en los demás tanto como en sí mismo. El apoyo mutuo es imprescindible para garantizar la fluidez en los procesos.

        • Equilibrio: dentro de cada equipo, cada persona tiene su propio rol y debe ser capaz de desarrollarlo de forma individual, en coherencia con los objetivos comunes.

        • Pertenencia: sentirse involucrado con el equipo incentiva una mayor implicación, las ganas de hacer aportaciones valiosas y ver crecer cada proyecto.



      • Adaptabilidad: el talento más flexible, que mejor se adapta a los nuevos escenarios es el más capacitado para materializar las soluciones más novedosas y originales.

      • Pensamiento crítico: Es una competencia clave para complementar la lógica pura, detectar otras variables que pueden afectar a la toma de decisiones y no dar siempre por válida la primera opción.

      • Resolución de problemas: Si la inteligencia artificial es una tecnología orientada a la inmediatez en los resultados, las personas deben ser capaces de crear las estrategias más adecuadas a cada situación para lograr obtener las mejores soluciones.







  • 5. Entornos Big Data & Cloud

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Conocimientos de Big Data y de los principios de arquitecturas de computación distribuidas y altamente escalables.

        • Comprender el papel del Big data en la ciencia de datos.

        • Apache Spark.

        • Spark en modo batch y en semi-tiempo real (microbatches).

        • Lazy evaluation.



      • Utilización de Dataframes y Data pipelines en Spark.

        • Operaciones sobre dataframes (SQL o pyspark).

        • Creación de data pipelines con spark.

        • Transformación de dataframes.



      • Creación de modelos de Machine Learning en Spark.

        • Entrenamiento de modelos e integración en pipelines.

        • Aplicación de la inferencia de modelos en Spark.



      • Despliegue de pipelines de modelos con Spark.

      • Desarrollo de modelos con proveedores de Cloud Machine Learning.



    • Habilidades de gestión, personales y sociales

      • Capacidades numéricas y analíticas.

      • Habilidad para trabajar en equipo y con las diferentes áreas de la compañía: IT, Seguridad, Legal, Ventas, etc.

      • Conocimiento e interés por cómo evolucionan las áreas de Tecnología y Seguridad.

      • Inquietud y alta motivación por seguir las novedades que se producen de forma continua en el entorno de los datos.

      • Visión de negocio para buscar y entender el encaje de los datos en los productos y servicios a definir.







  • 6. Visualización de los datos

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Comprensión de las claves del storytelling a través de los datos.

        • La ciencia de la visualización de datos y el storytelling: su valor en el mundo profesional.



      • Uso del storytelling con datos.

        • Principios de la comunicación visual de los datos.

        • Uso de los distintos controles visuales.



      • Comprensión de los conceptos Business Intelligence y Data Visualization.

        • Entender el proceso para trabajar en la herramienta de visualización en un contexto de Business Intelligence.

        • Fuentes de datos, tratamiento y preparación de datos, modelaje de datos (relaciones), análisis exploratorio y específicos, visualización y reporting.



      • Profundización en la herramienta PowerBI para poder conectar datos, prepararlos, modelarlos, explorarlos y visualizarlos.

        • Entorno de PowerBI: organización y componentes.

        • Importación de datos.

        • Visualizaciones básicas realizando agrupaciones y aplicando filtros.

        • Trabajar y preparar los datos: columnas calculadas, medidas, fórmulas  con DAX, tablas calculadas…

        • Trabajar con tablas matrices para aumentar la granularidad de los informes.

        • Filtrar los datos de manera dinámica con la segmentación de datos.



      • Aproximación a la herramienta Tableau.



    • Habilidades de gestión, personales y sociales

      • Habilidades analíticas y creativas para encontrar soluciones a problemas o necesidades de negocio, realizando el trabajo de manera exhaustiva, de un modo metódico, sistemático y creativo.

      • Capacidad de síntesis para observar los datos y extraer su información útil y relevante.

      • Capacidad crítica para ser capaz de cuestionar los datos y así desarrollar conclusiones en base a los mismos.

      • Conocimientos en informática, matemáticas y estadística: estos perfiles deben poder analizar bases de datos, construir modelos y realizar previsiones estadísticas, etc.

      • Facilidad para la comunicación para explicar los resultados del trabajo a gerentes y directores, generalmente sin formación técnica, de la empresa u organización.







  • 7. Habilidades y competencias de gestión, personales y sociales para el entorno digital

    • Conocimientos/ Capacidades cognitivas y prácticas

      • Impulso de habilidades digitales:

      • Liderazgo participativo.

        • Gestión del cambio.

        • Inteligencia emocional.

        • Storytelling.

        • Creación de marca personal.

        • Comunicación y negociación en entornos digitales.



      • Comprensión de las competencias necesarias para el nuevo entorno digital:

        • La influencia digital.

        • La colaboración en el entorno.

        • La integración de la diversidad.

        • La gestión emocional.

        • La agilidad en toma de decisiones.

        • La anticipación en contextos digitales.

        • La flexibilidad para la transformación.

        • La asunción de incertidumbre y riesgos.

        • La elaboración, gestión y difusión de contenidos.



      • Conocimiento de las herramientas imprescindibles para:

        • El trabajo colaborativo.

        • El trabajo en remoto.

        • La gestión de proyectos.

        • Automatización de flujos de trabajo.



      • Práctica en las claves del trabajo en equipo y de la productividad en remoto.

      • Fomento del liderazgo participativo y la gestión del cambio.

      • Dominio de la comunicación y la negociación en entornos digitales.

      • Práctica del modelo de competencias para el entorno digital.

      • Elaboración y gestión de la marca personal desde la importancia del storytelling.





Cursos relacionados

¿Quieres ver todas las acciones formativas relacionadas？

Ver todos