Profesional en Ciencia de Datos de Transformación Digital [ELI]

Este módulo proporciona una descripción general de los temas esenciales de la ciencia de Big Data y explora varias de las prácticas, tecnologías y herramientas contemporáneas de análisis más relevantes para los ambientes de Big Data. También se abordan funciones y herramientas de análisis ofrecidas por las soluciones de Big Data, así como una exploración del ciclo de vida del análisis de Big Data.

Se cubren los siguientes temas principales:

• Cómo entender Big Data
• Terminología y conceptos fundamentales
• Factores tecnológicos y de negocio de Big Data
• Características de los datos en los ambientes de Big Data
• Tipos de conjuntos de datos en los ambientes de Big Data
• Análisis y analíticas fundamentales
• Inteligencia de negocios y Big Data
• Visualización de datos y Big Data
• El ciclo de vida del análisis de Big Data
• Pruebas A/B, Correlación, Regresión
• Análisis de series temporales, Mapas de calor
• Análisis de redes, análisis espacial de datos
• Clasificación, agrupamiento
• Filtrado (incluyendo filtrado colaborativo y filtrado basado en contenidos)
• Análisis de sentimientos, analítica de textos

Este módulo proporciona una vista general fácil de entender sobre el Machine Learning para cualquier interesado en cómo funciona, qué puede y qué no puede hacer, y cómo se utiliza comúnmente en soporte a las metas del negocio. El módulo cubre los tipos de algoritmos comunes y además explica cómo trabajan los sistemas de Machine Learning tras bambalinas. Los materiales básicos del módulo se acompañan con un suplemento informativo que cubre diversos algoritmos y prácticas comunes.

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de Machine Learning
• Beneficios y retos de Machine Learning
• Escenarios de uso de Machine Learning
• Conjuntos de datos, datos estrucutrados, no estructurados y semi estructurados
• Modelos, algoritmos, aprendizaje y entrenamiento de modelos
• Cómo funciona el Machine Learning
• Recopilación y pre-procesamiento de datos de entrenamiento
• Selección de algoritmos y modelos
• Entrenamiento de modelos y despliegue de modelos entrenados
• Algoritmos y prácticas de Machine Learning
• Aprendizaje supervisado, clasificación, árbol de decisiones
• Regresión, métodos de ensamble, reducción de dimensiones
• Aprendizaje no supervisado y agrupamiento
• Aprendizaje semisupervisado y por refuerzo
• Mejores prácticas de Machine Learning
• Cómo funcionan los sistemas de Machine Learning
• Mecanismos comunes de Machine Learning
• Cómo se utilizan los mecanismos en el entrenamiento de modelos
• Machine Learning y Deep Learning, Inteligencia artificial (IA)

Este módulo proporciona una cobertura esencial de la inteligencia artificial y las redes neuronales, en español sencillo, fácil de comprender. El módulo proporciona una cobertura concreta de las partes principales de IA, incluyendo enfoques de aprendizaje, áreas funcionales en las que se usan los sistemas de IA y una introducción completa a las redes neuronales, cómo existen, cómo trabajan y cómo pueden ser usadas para procesar información. Adicionalmente, el módulo establece un proceso paso a paso para ensamblar un sistema de IA, ilustrando así cómo y cuándo necesitan ser definidos y aplicados los diferentes componentes y prácticas de los sistemas de IA con redes neuronales. Finalmente, el curso proporciona un conjunto de principios y mejores prácticas clave para los proyectos de IA.

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de IA
• Beneficios y retos de IA
• Categorías de problemas de negocio que aborda la IA
• Tipos de IA (angosta, general, simbólica, no simbólica, etc.)
• Enfoques y algoritmos comunes de aprendizaje de la IA
• Aprendizaje supervisado, aprendizaje no supervisado,  aprendizaje continuo
• Aprendizaje heurístico, aprendizaje semisupervisado,  aprendizaje por refuerzo
• Diseños funcionales comunes de IA
• Visión por computadora, reconocimiento de patrones
• Robóticas, procesamiento del lenguaje natural (NLP)
• Reconocimiento del habla, comprensión del lenguaje natural (NLU)
• Integración sin fricción, integración del modelo de tolerancia a fallas
• Redes neuronales, neuronas, capas, enlaces, pesos
• Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales
• Cómo entender la manera en que existen los modelos y las redes neuronales
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas fundamentales y especializadas de redes neuronales
• Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo
• Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda
• Máquina de vector de soporte, red de Kohonen, red de Hopfield
• Red generativa adversarial, Máquina en estado líquido
• Cómo construir un sistema de IA (paso a paso)
• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA