Profesional en Ciencia de Datos de Transformación Digital Examen

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

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)

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