1. INTELIGENCIA ARTIFICIAL Y MACHINE LEARNING
1.1 LA IMPORTANCIA DE LA CIENCIA DEL DATO
1.1.1 CONCIENCIACIÓN SOBRE LA CIENCIA DEL DATO
1.1.2 CONOCIMIENTO DE LOS DIFERENTES MODELOS DE NEGOCIO BASADO EN DATOS
1.1.3 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
1.1.4 VISIÓN TRASVERSAL SOBRE CÓMO DATA SCIENCE SE APLICA EN LAS DIFERENTES ÁREAS DE LA ORGANIZACIÓN PARA IMPULSAR LAS CAPACIDADES
1.2 CONCEPTUALIZACIÓN Y APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL
1.2.1 APROXIMACIÓN A LOS CONCEPTOS BÁSICOS DE LA I.A.
1.2.2 EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL
1.2.3 IDENTIFICACIÓN DE LAS DIFERENTES TÉCNICAS PARA EL DESARROLLO DE LA I.A.
1.2.4 ÁMBITOS DE APLICACIÓN DE LA I.A.
1.2.5 CONTEXTO ÉTICO Y LEGAL DE LA INTELIGENCIA ARTIFICIAL
1.2.6 ADQUISICIÓN DE CONOCIMIENTOS SOBRE LOS AVANCES EN BIG DATA & INTELIGENCIA ARTIFICIAL
1.3 ESTADÍSTICA PARA LA INTELIGENCIA ARTIFICIAL
1.3.1 INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA
1.3.2 INTRODUCCIÓN AL ALGEBRA LINEAL
1.3.3 CORRELACIONES
1.3.4 CONTRASTES DE HIPÓTESIS
1.4 LENGUAJES DE PROGRAMACIÓN
1.4.1 PYTHON
1.4.2 R
1.4.3 JAVA
2. PROYECTOS DE CIENCIA DE DATOS CON INTELIGENCIA ARTIFICIAL Y MACHINE LEARNING
2.1 ETL Y PREPARACIÓN DE DATOS
2.1.1 PASOS PARA CREAR UN PROYECTO DE BIG DATA
2.1.2 PERFILES NECESARIOS PARA UN PROYECTO DE BIG DATA
2.1.3 ARQUITECTURAS BIG DATA
2.1.4 APROXIMACIÓN A LA MODELIZACIÓN
2.1.5 MODELOS
2.2 MODELOS SUPERVISADOS Y NO SUPERVISADOS
2.2.1 INTRODUCCIÓN
2.2.2 MODELOS SUPERVISADOS
2.2.3 MODELOS NO SUPERVISADOS
2.3 DEEP LEARNING
2.3.1 ¿QUÉ ES?
2.3.2 ENTRENAMIENTO
2.3.3 APLICACIONES
2.4 ANÁLISIS AVANZADO DE DATOS
2.4.1 INTRODUCCIÓN
2.4.2 CONOCIMIENTOS DE BIG DATA Y DE LOS PRINCIPIOS DE ARQUITECTURAS DE COMPUTACIÓN
2.4.3 DETECCIÓN DE ANOMALÍAS Y PATRONES
2.4.4 ESTUDIO DE CASO DE BIG DATA
2.5 VISUALIZACIÓN DE DATOS
2.5.1 INTRODUCCIÓN
2.5.2 PRINCIPIOS DE VISUALIZACIÓN
2.5.3 BUSSINES INTELLIGENCE
2.5.4 HERRAMIENTAS DE VISUALIZACIÓN DE DATOS