Cursos gratuitos

Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada

Duración: 1500
EURO636ba1a0bb63e
Valoración: 4.4 /5 basada en 76 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada:

La Maestría en Ciencias de Datos con Especialización en Estadística Aplicada te enseñará el uso de herramientas necesarias que te permitan realizar una recolección de datos, su clasificación, almacenamiento y proceso posterior para generar información vital para la toma de decisiones en cualquier empresa. Su especialización en estadística te permitirá entender e interpretar los datos obtenidos en las decisiones comerciales de cualquier sociedad.

A quién va dirigido:

El perfil al que se adapta nuestra Maestría en Ciencias de Datos con Especialización en Estadística Aplicada abarca tanto a estudiantes y profesionales en el área de estadística como en informática, marketing o business. Se dirige a todos aquellos que quieran conocer las distintas herramientas y técnicas que permitan la gestión del análisis de datos dentro del ámbito de la empresa.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada:

- Evaluar los conceptos relacionados con la computación distribuida para el manejo de los datos masivos. - Realizar una eficiente recolección de datos y clasificación de estos para su almacenamiento y procesamiento - Aplicar medidas estadísticas en el procesamiento de datos obteniendo y en su interpretación y análisis - Conocer las leyes, tratados, reglamentos y herramientas relacionados con la protección de datos. - Analizar las principales bases de datos NoSQL y su aplicabilidad desarrollos tecnológicos. - Conocer y aplicar los conceptos de Machine Learning y la estructura y tipología de las Redes Neuronales Artificiales

Salidas Laborales:

Las empresas son cada vez más conscientes de la importancia que tiene el análisis de los datos que almacenan, su gestión y análisis. Con esta Maestría en Ciencias de Datos con Especialización en Estadística Aplicada accederás a puestos en el análisis de datos dentro de equipos de dirección en sectores tan diversos como las finanzas, marketing, seguros, informática o ecommerce, etc.,

 

Resumen:

El volumen de información de datos con los que cuentan las empresas gracias a las nuevas tecnologías hace preciso saber gestionarlos y analizarlos. Se necesitan lenguajes de programación, herramientas y técnicas especializadas para poder tomar decisiones acertadas en el ámbito comercial. La Ciencia de Datos será quien nos permita gestionar toda esta información y sacarle el máximo provecho. Con nuestra Maestría en Ciencias de Datos con Especialización en Estadística Aplicada estudiaras y manejaras las técnica que te permitirán realizar una eficiente recolección de datos, la clasificación de los mismos y su procesamiento para lograr datos estadísticos que permitan sacar conclusiones necesarias para la decisiones comerciales de las sociedades.

Titulación:

Doble Titulación: - Titulación Oficial de Maestría en Ciencias de Datos por la Universidad UDAVINCI con el Reconocimiento de Validez Oficial de Estudios (RVOE) - Titulación propia de Maestría en Ciencias de Datos. Especialización en Estadística Aplicada con 1500 horas expedida y avalada por Euroinnova International Online Education

Metodología:

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura con nosotros a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. El alumno debe avanzar de manera autónoma a lo largo de las diferentes asignaturas así como realizar las actividades de aprendizaje. Las horas de estudio realizadas en el Campus Virtual se complementan con el trabajo autónomo del alumno, la comunicación con el docente, las actividades y lecturas complementarias y la labor de investigación y creación asociada a los proyectos.

Temario:


MÓDULO 1. FUNDAMENTOS DE PROGRAMACIÓN

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A JAVASCRIPT
  1. Introducción
  2. Dónde se ubica el JavaScript en las páginas HTML
  3. Cómo enviar las salidas de resultados a las páginas HTML
UNIDAD DIDÁCTICA 2. CONCEPTOS BÁSICOS DE JAVASCRIPT
  1. Declaraciones
  2. Sintaxis
  3. Comentarios
  4. Variables
  5. Tipos de datos
UNIDAD DIDÁCTICA 3. PROGRAMACIÓN ORIENTADA A OBJETOS
  1. Clase
  2. Propiedades
  3. Métodos
  4. Getters y Setters
  5. Constructores
UNIDAD DIDÁCTICA 4. SENTENCIAS CONDICIONALES
  1. Operadores
  2. Sentencia condicional simple
  3. Sentencia condicional múltiple
UNIDAD DIDÁCTICA 5. SENTENCIAS DE REPETICIÓN
  1. Fundamentos de la repetición controlada
  2. Instrucción de repetición mientras
  3. Instrucción de repetición haz - mientras
  4. Instrucción de repetición desde
UNIDAD DIDÁCTICA 6. ARREGLOS EN LA PROGRAMACIÓN
  1. Declaración y creación de arreglos
  2. Paso de arreglos a los métodos
  3. Arreglos multidimensionales
  4. Listas de argumentos con longitud variable
UNIDAD DIDÁCTICA 7. FUNCIONES
  1. Manejo de cadenas
  2. Manejo de números
  3. Manejo de funciones matemáticas
  4. Manejo de valores booleanos
UNIDAD DIDÁCTICA 8. INTERFACES
  1. JavaScript HTML DOM
  2. Modelo de objeto del navegador
  3. Formularios
UNIDAD DIDÁCTICA 9. ENVIAR Y RECIBIR DATOS DESDE JAVASCRIPT
  1. JavaScript Ajax
  2. Uso JSON en JavaScript
UNIDAD DIDÁCTICA 10. FRAMEWORK JQUERY
  1. Conceptos y generalidades
  2. Utilización de Jquery

MÓDULO 2. DATOS MASIVOS EN LAS ORGANIZACIONES

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LOS DATOS MASIVOS
  1. Evolución de la administración de los datos
  2. Tipos de administración de los datos
  3. Operaciones para el manejo de los datos masivos
  4. Tipos de datos masivos
UNIDAD DIDÁCTICA 2. COMPUTACIÓN DISTRIBUIDA
  1. Historia de la computación distribuida
  2. Elementos de la computación distribuida
  3. Uso de la computación distribuida
UNIDAD DIDÁCTICA 3. COMPONENTES TECNOLÓGICOS PARA EL USO DE DATOS MASIVOS
  1. Pila de datos masivos
  2. Capas para el manejo de los datos masivos
  3. Tecnología para el uso de datos masivos
UNIDAD DIDÁCTICA 4. SERVICIOS Y ALMACENAMIENTO DE DATOS
  1. Servicios de organización de datos
  2. Herramientas para la organización de datos
  3. Almacenamiento analítico de datos
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LA VIRTUALIZACIÓN
  1. Importancia de la virtualización en el uso de datos masivos
  2. Servidor de virtualización
  3. Aplicaciones de la virtualización
  4. Manejo de la virtualización
UNIDAD DIDÁCTICA 6. USO DE LOS DATOS MASIVOS
  1. Aplicación de los datos masivos
  2. Manejo de datos masivos
  3. Funciones en el uso de datos masivos
UNIDAD DIDÁCTICA 7. USO DE LA NUBE
  1. Relación de la nube con los datos masivos
  2. Modelos de despliegue y entrega en la nube
  3. Manejo de la nube para la administración de datos masivos
UNIDAD DIDÁCTICA 8. SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Características de los sistemas de almacenamiento masivo
  2. Elementos de los sistemas de almacenamiento masivo
  3. Beneficios de los sistemas de almacenamiento masivo
UNIDAD DIDÁCTICA 9. MANEJO DE LOS SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Sistemas de archivos distribuidos
  2. Uso de las funciones de reducción
  3. Manejo de las funciones de mapeo
UNIDAD DIDÁCTICA 10. ADMINISTRACIÓN DE LOS SISTEMAS PARA EL ALMACENAMIENTO MASIVO
  1. Manejo de recursos y aplicaciones
  2. Almacenamiento de los datos masivos
  3. Minería de datos masivos

MÓDULO 3. RECOLECCIÓN Y CLASIFICACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Importancia de la recolección de datos
  2. Historia y evolución
  3. Importancia de la clasificación de datos
  4. Historia y evolución
  5. Relación con la ciencia de datos
UNIDAD DIDÁCTICA 2. ENTREVISTA
  1. Conceptos
  2. Objetivo
  3. Características
  4. Partes de una Entrevista
  5. Tipos de preguntas
UNIDAD DIDÁCTICA 3. SESIÓN DE GRUPO
  1. Conceptos
  2. Objetivo
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 4. OBSERVACIÓN
  1. Conceptos
  2. Objetivos
  3. PARTICIPANTES
  4. Aplicación en la recolección de datos
  5. Registro de hechos
UNIDAD DIDÁCTICA 5. ENCUESTA
  1. Conceptos
  2. Objetivos
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 6. DIAGRAMA DE FLUJO
  1. Conceptos
  2. Objetivos
  3. Diseño
  4. Construcción
  5. Aplicabilidad en la recolección de datos
UNIDAD DIDÁCTICA 7. DICCIONARIO DE DATOS
  1. Conceptos
  2. Objetivos
  3. Características
  4. Construcción
  5. aplicabilidad
UNIDAD DIDÁCTICA 8. TECNOLOGÍAS PARA LA RECOLECCIÓN DE DATOS
  1. Importancia
  2. Beneficios
  3. Características
  4. Costos
  5. Algunas herramientas
UNIDAD DIDÁCTICA 9. CLASIFICACIÓN DE DATOS
  1. Conceptos
  2. Tipos
  3. Clasificaciones
  4. Datos cualitativos
  5. Datos cuantitativos
UNIDAD DIDÁCTICA 10. REVISIÓN Y CORRECCIÓN DE LOS DATOS
  1. Conceptos
  2. Objetivo
  3. Ventajas y beneficios
  4. Consecuencias negativas
  5. Herramientas

MÓDULO 4. ANÁLISIS DE DATOS Y MÉTODOS ESTADÍSTICOS

UNIDAD DIDÁCTICA 1. ESTADÍSTICA DESCRIPTIVA
  1. Distribuciones y Gráficas
  2. Medidas de tendencia central y dispersión
  3. Medidas de Posición y forma
UNIDAD DIDÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD
  1. Tipos de variables
  2. Distribuciones discretas de probabilidad
  3. Distribuciones continuas de probabilidad
  4. Muestreo y distribuciones muestrales
UNIDAD DIDÁCTICA 3. DISEÑO DE EXPERIMENTOS
  1. Teorema de límite central
  2. Intervalos de confianza
  3. Pruebas de hipótesis
UNIDAD DIDÁCTICA 4. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE
  1. Regresión lineal simple
  2. Coeficientes de correlación y determinación
  3. Regresión lineal múltiple
UNIDAD DIDÁCTICA 5. ANÁLISIS DE VARIANZAS (ANOVA)
  1. ANOVA con un factor
  2. ANOVA con varios factores
  3. Comparaciones Múltiples
UNIDAD DIDÁCTICA 6. ANÁLISIS DE DATOS CATEGÓRICOS
  1. Tipos de Pruebas de bondad
  2. Cuadros de contingencia
  3. Aplicaciones de pruebas de bondad
UNIDAD DIDÁCTICA 7. SERIES DE TIEMPO
  1. Tipo de Variaciones
  2. Métodos aplicados a series de tiempo
  3. Índices
UNIDAD DIDÁCTICA 8. ESTADÍSTICA NO PARAMÉTRICA
  1. Prueba del signo
  2. Prueba de rangos
  3. Prueba U
  4. Prueba H
UNIDAD DIDÁCTICA 9. ANÁLISIS DE DECISIONES
  1. Elementos del análisis de decisiones
  2. Toma de decisiones bajo Riesgo
  3. Técnicas cualitativas para la toma de decisiones
UNIDAD DIDÁCTICA 10. TÉCNICAS CLÁSICAS DE CLASIFICACIÓN Y PREDICCIÓN
  1. Arboles de Decisiones
  2. Cadenas de Markov
  3. Redes Bayesianas
  4. Otras técnicas

MÓDULO 5. BASES DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Sistema de procesamiento de archivos
  2. Sistema de procesamiento de bases de datos
  3. Historia del procesamiento de bases de datos
  4. Definición de una base de datos
  5. DBMS
UNIDAD DIDÁCTICA 2. MODELADO DE BD
  1. Conceptos de modelado
  2. Importancia del modelado
  3. Modelo E-R
  4. Modelo relacional
  5. Normalización
UNIDAD DIDÁCTICA 3. DDL
  1. Conceptos y definiciones
  2. Tipos de datos
  3. Sentencias del DDL
  4. Ejemplos de DDL
UNIDAD DIDÁCTICA 4. DBMS ORACLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 5. DBMS SQL SERVER
  1. Introducción
  2. Importancia
  3. Entorno e Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 6. MONGODB
  1. Introducción e Importancia
  2. Entorno
  3. Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 7. SQL INTRODUCCIÓN
  1. Historia y Conceptos
  2. Sentencia DDL en SQL
  3. Sentencia INSERT, DELETE, UPDATE
  4. Sentencia DELETE
UNIDAD DIDÁCTICA 8. SQL CONSULTAS, SUBCONSULTAS Y FUNCIONES
  1. Sentencia SELECT
  2. Operadores de comparación y booleanos
  3. Subconsultas
  4. Funciones y Comandos de ordenamiento
UNIDAD DIDÁCTICA 9. SQL MÚLTIPLES TABLAS
  1. Sentencia SELECT con múltiples tablas
  2. Funciones de agrupación
  3. Operadores para múltiples tablas
  4. Sentencia JOIN
UNIDAD DIDÁCTICA 10. BASES DE DATOS EN LA NUBE Y TENDENCIAS DE BASES DE DATOS
  1. Conceptos
  2. Tecnologías en la nube
  3. NoSQL
  4. Tendencias actuales

MÓDULO 6. PRIVACIDAD Y PROTECCIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Privacidad
  2. Protección de datos
  3. Privacidad y protección de datos
  4. Importancia de la privacidad
  5. Importancia de la protección de datos
UNIDAD DIDÁCTICA 2. SOCIOLOGÍA DE LA PRIVACIDAD
  1. Datos personales
  2. Sensibilidad de los datos
  3. Tratamiento de los datos
  4. Recolección de datos
  5. Consentimiento
UNIDAD DIDÁCTICA 3. CULTURA DE LA PROTECCIÓN DE DATOS PERSONALES
  1. Tratamiento
  2. Calidad
  3. Seguridad
  4. Desecho
  5. Secrecía
UNIDAD DIDÁCTICA 4. PROTECCIÓN DE DATOS EN EL MUNDO
  1. Referentes históricos
  2. Organismos internacionales
  3. Leyes internacionales
  4. Decretos internacionales
  5. Acuerdos internacionales
UNIDAD DIDÁCTICA 5. PROTECCIÓN DE DATOS EN MÉXICO
  1. Referentes históricos
  2. Ley Federal de Protección de Datos Personales
  3. Marco legal
  4. Conceptos y definiciones
  5. Actualidad de la protección de datos en México
UNIDAD DIDÁCTICA 6. INSTITUTO FEDERAL DE ACCESO A LA INFORMACIÓN Y PROTECCIÓN DE DATOS
  1. El IFAI
  2. Misión
  3. Visión
  4. Estructura
  5. Funciones
UNIDAD DIDÁCTICA 7. TECNOLOGÍA Y LA PROTECCIÓN DE DATOS PERSONALES
  1. Introducción
  2. Identificación
  3. Autenticación
  4. Código malicioso
  5. Responsabilidad de los usuarios
UNIDAD DIDÁCTICA 8. TECNOLOGÍA Y LA PRIVACIDAD
  1. Introducción
  2. Navegación
  3. Correo electrónico
  4. Redes sociales
  5. Usuarios menores de edad
UNIDAD DIDÁCTICA 9. ESTEGANOGRAFÍA Y CRIPTOGRAFÍA
  1. Historia, definición y objetivos de Esteganografía
  2. Historia, definición y objetivos de la criptografía
  3. Aplicaciones y usos
  4. Herramientas
  5. Beneficios
UNIDAD DIDÁCTICA 10. SEGURIDAD INFORMÁTICA
  1. Fundamentos
  2. Sistemas de Gestión de la Seguridad de la Información
  3. Plan de Contingencias y Seguridad del Negocio
  4. Norma ISO 27001
  5. Certificación en seguridad de la información

MÓDULO 7. BASES DE DATOS NO SQL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A BASES DE DATOS
  1. Historia
  2. Primeros sistemas administradores de bases de datos
  3. Primera revolución de las bases de datos
  4. Segunda revolución de las bases de datos
  5. Tercera revolución de las bases de datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS LLAVE-VALOR (KEY-VALUE DATABASES)
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 3. BASES DE DATOS DE DOCUMENTOS
  1. Introducción
  2. Características y conceptos
  3. Diseño
  4. XML
  5. JSON
UNIDAD DIDÁCTICA 4. BASES DE DATOS DE COLUMNAS
  1. Introducción
  2. Características y conceptos
  3. Arquitecturas
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 5. BASES DE DATOS DE GRAFOS
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 6. HBASE
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 7. MONGODB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 8. CASSANDRA
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 9. COUCHDB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 10. DYNAMODB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño

MÓDULO 8. FUNDAMENTOS DE MACHINE LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. ¿Qué es Machine Learning?
  2. ¿Dónde se aplica Machine Learning?
  3. Plataformas que trabajan Machine Learning
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES (RNA)
  1. Definición de RNA e Inteligencia Artificial
  2. El modelo Biológico
  3. Aplicaciones de las Redes Neuronales Artificiales
UNIDAD DIDÁCTICA 3. CARACTERÍSTICAS DE LAS RNA
  1. Errores comunes al aplicar RNA
  2. Ventajas y Desventajas
  3. Comparación de las RNA con otras técnicas
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN DE LAS RNA
  1. Aproximación de funciones
  2. Clustering
  3. Predicción
  4. Clasificación
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LAS RNA
  1. Elementos de las RNA
  2. Estructura de las RNA
  3. Funcionamiento de las RNA
UNIDAD DIDÁCTICA 6. MECANISMOS DE APRENDIZAJE
  1. Entrenamiento no supervisado
  2. Entrenamiento supervisado
  3. Entrenamiento hibrido
UNIDAD DIDÁCTICA 7. TOPOLOGÍAS DE LAS RNA
  1. Redes monocapa y multicapa
  2. Redes heteroasociativas y autoasociativas
  3. Redes Estocásticas
  4. Otras topologías de RNA
UNIDAD DIDÁCTICA 8. EL PERCEPTRÓN
  1. Estructura del perceptrón
  2. Perceptrón multicapa
  3. La red Backpropagation
UNIDAD DIDÁCTICA 9. CONSTRUCCIÓN DE UNA RNA
  1. Tipos de datos
  2. Como elegir la topología de RNA
  3. Diseño de estructura
UNIDAD DIDÁCTICA 10. INTERPRETACIÓN DE RESULTADOS
  1. Gráficas de resultados
  2. Medidas de error de las RNA
  3. Definición del error aceptable

MÓDULO 9. BIG DATA

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Evolución de la administración de los datos
  2. ¿Qué es Big Data?
  3. Significados y variaciones del término
  4. Cambio de paradigma
  5. Datos al servicio de las personas
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LOS GRANDES VOLÚMENES DE DATOS
  1. Volumen - Variedad
  2. Velocidad - Veracidad
  3. Valor - Visualización
  4. Verificación - Variabilidad
  5. Viabilidad
UNIDAD DIDÁCTICA 3. APLICACIONES DEL BIG DATA (1)
  1. Banca
  2. Salud
  3. Ciudades inteligentes
  4. Agricultura
  5. Política
UNIDAD DIDÁCTICA 4. APLICACIONES DEL BIG DATA (2)
  1. Deportes
  2. Periodismo
  3. Logística
  4. Mercadotecnia
  5. Educación
UNIDAD DIDÁCTICA 5. HERRAMIENTAS PARA EL BIG DATA
  1. Arquitecturas para Big Data
  2. Generación de datos
  3. Adquisición de datos
  4. Almacenamiento de datos
  5. Análisis y visualización de datos
UNIDAD DIDÁCTICA 6. BASES DE DATOS PARA BIG DATA (1)
  1. BD Relacionales
  2. NoSql
  3. BD Key-Value
  4. BD Orientadas a documentos
  5. BD Orientadas a grafos
UNIDAD DIDÁCTICA 7. BASES DE DATOS PARA BIG DATA (2)
  1. BD Orientadas a objetos
  2. BD Columnas
  3. BD Espaciales
UNIDAD DIDÁCTICA 8. HADOOP
  1. Conceptos
  2. Sistema de archivos distribuidos Hadoop
  3. YARN
  4. MapReduce
  5. Ecosistema Hadoop
UNIDAD DIDÁCTICA 9. KETTLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 10. MONGODB
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación

MÓDULO 10. MINERÍA DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DATA MINING
  1. Bases de Datos y el Proceso KDD
  2. Análisis Básico de Ejemplos y Aplicaciones en Data Mining
  3. Procesos Estadísticos en Data Mining
  4. Herramientas Computacionales Para Data Mining
UNIDAD DIDÁCTICA 2. ACONDICIONAMIENTO DE DATOS
  1. Ruido y Ajuste de Datos
  2. Análisis Exploratorio en Datos
  3. Filtrado en Datos Estructurados y no Estructurados
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL
  1. ¿Qué es la Inteligencia Artificial y sus Técnicas?
  2. Redes Neuronales Artificiales
  3. Topologías de Red
  4. Algoritmos de Propagación
  5. Redes Neuronales Pulsantes
UNIDAD DIDÁCTICA 4. MACHINE LEARNING-APRENDIZAJE AUTOMÁTICO
  1. Minería de Textos
  2. Pre-Procesamiento y Digitalización
  3. Análisis Automatizado de Textos
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE LENGUAJE NATURAL
  1. Sentiment Analysis
  2. Análisis de Texto y Lingüística Computacional
  3. Extracción de Información Subjetiva
  4. Minería de Opinión y Aplicaciones
UNIDAD DIDÁCTICA 6. MODELADO DE TEXTO EN MACHINE LEARNING
  1. Espacio Vectorial
  2. Modelado de Vectores y Tensorflow
  3. Python en Data Mining
UNIDAD DIDÁCTICA 7. DEEPLEARNING
  1. Algoritmos de Aprendizaje Profundo
  2. Abstracciones de Alto Nivel
  3. Arquitecturas Compuestas
  4. Redes Neuronales Convolucionales
UNIDAD DIDÁCTICA 8. DATA DRIVEN DECISION MAKING
  1. Criterios de Decisión
  2. Requerimiento de Datos
  3. Evaluación de Decisiones
UNIDAD DIDÁCTICA 9. CREACIÓN DE MODELOS DE DATOS
  1. Clustering
  2. Técnicas de Clustering
  3. Técnicas Estadísticas
UNIDAD DIDÁCTICA 10. EVALUACIÓN DE MODELOS Y CLUSTERING DIFUSO
  1. Fundamentos de Evaluación de Modelos
  2. Técnicas de Evaluación de Modelos
  3. Aplicación de las Técnicas de Evaluación de Modelos

MÓDULO 11. DESCUBRIMIENTO DE CONOCIMIENTO CON LENGUAJE R

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DESCUBRIMIENTO DEL CONOCIMIENTO
  1. Antecedentes
  2. Importancia
  3. Áreas de aplicación
  4. Proceso de descubrimiento del conocimiento
  5. Tendencias
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A R
  1. ¿Qué es R?
  2. Antecedentes
  3. Configuración del entorno de trabajo
  4. Características importantes
  5. Ayuda
UNIDAD DIDÁCTICA 3. ELEMENTOS DEL LENGUAJE R
  1. Tipos de datos
  2. Operaciones aritméticas
  3. Operadores lógicos
  4. Operadores relacionales
  5. Funciones de conversión
UNIDAD DIDÁCTICA 4. ESTRUCTURAS DE DATOS EN R
  1. Vectores
  2. Matrices
  3. Factores y vectores de caracter
  4. Listas
  5. Data frames
UNIDAD DIDÁCTICA 5. ESTRUCTURAS DE CONTROL
  1. Estructura condicional IF-ELSE
  2. Estructura SWITCH
  3. Bucle FOR
  4. Bucle WHILE
  5. Sentencia BREAK, NEXT
UNIDAD DIDÁCTICA 6. FUNCIONES
  1. Estructura
  2. Visibilidad del código
  3. Recursividad
  4. Funciones matemáticas
  5. Funciones de análisis estadístico
UNIDAD DIDÁCTICA 7. ANÁLISIS EXPLORATORIO DE DATOS
  1. Comandos para gráficos exploratorios
  2. Estadística descriptiva
  3. Medidas de tendencia central
  4. Medidas de dispersión
  5. Coeficiente de correlación, covarianza
UNIDAD DIDÁCTICA 8. PROBABILIDAD. DISTRIBUCIONES DISCRETAS Y CONTINUAS
  1. Probabilidad
  2. Distribuciones discretas
  3. Distribuciones continuas
  4. Intervalos de confianza
  5. Test de hipótesis
UNIDAD DIDÁCTICA 9. TÉCNICAS DE CLASIFICACIÓN, SEGMENTACIÓN Y MODELOS PREDICTIVOS
  1. Análisis clúster
  2. Clústeres jerárquicos y secuenciales
  3. Clústeres aglomerativos y exclusivos
  4. Modelos predictivos
  5. Modelo lineal
UNIDAD DIDÁCTICA 10. GRÁFICAS CON R
  1. Función plot()
  2. Colores
  3. Gráficos para una variable
  4. Gráficas de curvas continua
  5. Gráficas escalonadas

MÓDULO 12. METODOLOGÍA DE LA INVESTIGACIÓN

UNIDAD DIDÁCTICA 1. ENFOQUE CUANTITATIVO Y CUALITATIVO
  1. Elementos de la investigación
  2. Características del enfoque cuantitativo
  3. Características del enfoque cualitativo
  4. Diferencias entre los enfoques de investigación
  5. Ventajas de los enfoques de investigación
UNIDAD DIDÁCTICA 2. PROYECTO DE INVESTIGACIÓN
  1. Tipos de proyectos de investigación
  2. Proyecto de investigación cuantitativa
  3. Proyecto de investigación cualitativa
  4. Fuentes de ideas para la investigación
  5. Antecedentes de la investigación
UNIDAD DIDÁCTICA 3. PLANTEAMIENTO DEL PROBLEMA CUANTITATIVO
  1. Planteamiento del problema de investigación
  2. Enfoque cuantitativo
  3. Criterios para plantear el problema
  4. Elementos para el planteamiento del problema de investigación
  5. Objetivos, preguntas y justificación de la investigación
UNIDAD DIDÁCTICA 4. REVISIÓN DE LA LITERATURA Y CONSTRUCCIÓN DEL MARCO TEÓRICO
  1. Desarrollo de la perspectiva teórica
  2. Etapas para el desarrollo de la perspectiva teórica
  3. Elementos para la revisión de la literatura
  4. Elementos del marco teórico
  5. Construcción del marco teórico
UNIDAD DIDÁCTICA 5. ALCANCE DE LA INVESTIGACIÓN
  1. Estudio exploratorio
  2. Estudio descriptivo
  3. Estudio correlacional
  4. Estudio explicativo
  5. Selección del tipo de estudio
UNIDAD DIDÁCTICA 6. FORMULACIÓN DE HIPÓTESIS
  1. Elementos de las hipótesis
  2. Características de las variables
  3. Tipos de hipótesis
  4. Hipótesis nulas
  5. Hipótesis alternativas
UNIDAD DIDÁCTICA 7. DISEÑOS DE INVESTIGACIÓN
  1. Características del diseño en la investigación
  2. Diseño experimentales
  3. Experimentos puros
  4. Diseños no experimentales
  5. Diseños transeccionales descriptivos
UNIDAD DIDÁCTICA 8. SELECCIÓN DE LA MUESTRA
  1. Delimitación de la población
  2. Selección de muestra
  3. Tipos de muestra
  4. Muestra probabilística
  5. Muestra no probabilística
UNIDAD DIDÁCTICA 9. RECOLECCIÓN Y ANÁLISIS DE LOS DATOS CUANTITATIVOS
  1. Características para la recolección de datos
  2. Instrumento de medición
  3. Análisis de los datos cuantitativos
  4. Proceso para el análisis de los datos cuantitativos
  5. Pruebas de hipótesis
UNIDAD DIDÁCTICA 10. REPORTE DE RESULTADOS DEL PROCESO CUANTITATIVO
  1. Características del reporte
  2. Elementos del reporte
  3. Recursos para la elaboración del reporte
  4. Criterios para la elaboración del reporte
  5. Protocolo de investigación

MÓDULO 13. PRESENTACIÓN Y VISUALIZACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Concepto
  2. Historia
  3. Datos
  4. El poder de los datos
  5. Importancia
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LA VISUALIZACIÓN
  1. Objetivo
  2. Motivadora
  3. Efectiva
  4. Resultados
  5. Originalidad
UNIDAD DIDÁCTICA 3. ELEMENTOS GRÁFICOS (1)
  1. Tablas
  2. Gráfico de barras
  3. Gráfico de líneas
  4. Gráfico circular
  5. Gráfico de dispersión
UNIDAD DIDÁCTICA 4. ELEMENTOS GRÁFICOS (2)
  1. Gráfico de burbuja
  2. Gráfico de Gantt
  3. Gráfico de histograma
  4. Gráfico de bala
  5. Mapa
UNIDAD DIDÁCTICA 5. ELEMENTOS GRÁFICOS (3)
  1. Mapa de calor
  2. Tabla de resaltado
  3. Diagrama de árbol
  4. Gráfico de velas
UNIDAD DIDÁCTICA 6. ELEMENTOS GRÁFICOS (4)
  1. Treemap
  2. Gráficos sociales
  3. Palabras
  4. Infografías
UNIDAD DIDÁCTICA 7. ANÁLISIS DE DATOS
  1. Conceptos
  2. Importancia
  3. Impacto
  4. Herramientas tecnológicas
  5. Futuro
UNIDAD DIDÁCTICA 8. HERRAMIENTAS PARA ANÁLISIS DE DATOS
  1. Excel aplicado a ciencia de datos
  2. SPSS
  3. Minitab
  4. Otras herramientas
UNIDAD DIDÁCTICA 9. HERRAMIENTAS TECNOLÓGICAS (1)
  1. Tableau (https://www.tableau.com/es-es)
  2. Qlik (https://www.qlik.com/es-es)
  3. Plotly (https://plot.ly/)
  4. Carto (https://carto.com/)
  5. DataWrapper (https://www.datawrapper.de/)
UNIDAD DIDÁCTICA 10. HERRAMIENTAS TECNOLÓGICAS (2)
  1. Infogram (https://infogram.com/es)
  2. Piktochart (https://piktochart.com/)
  3. Herramientas de Google (https://cloud.google.com/bigquery/, https://cloud.google.com/sql/docs/, https://www.google.com/sheets/about/, https://datastudio.withgoogle.com/)
  4. Chartblocks (https://www.chartblocks.com/es)
  5. Thinglink (https://www.thinglink.com/)

MÓDULO 14. PROYECTO INTEGRADOR DE CIENCIA DE DATOS

UNIDAD DIDÁCTICA 1. IDENTIFICACIÓN DE UN PROBLEMA
  1. Tipo de problemática
  2. Tipo de investigación (cualitativa/cuantitativa)
  3. Análisis del entorno del problema
UNIDAD DIDÁCTICA 2. RECOLECCIÓN DE DATOS
  1. Entrevistas y cuestionarios
  2. Clasificación y depuración de Datos
  3. Acomodo y homologación de Datos
UNIDAD DIDÁCTICA 3. ADMINISTRACIÓN DE BASES DE DATOS
  1. Respaldo de información
  2. Recuperación de la información
  3. Diagnóstico de la base de Datos
UNIDAD DIDÁCTICA 4. ANÁLISIS Y DISEÑO DE ALGORITMOS
  1. Análisis del algoritmo
  2. Método y técnica aplicable
  3. Importancia y desarrollo
UNIDAD DIDÁCTICA 5. BIG DATA
  1. Características de los grandes volúmenes de Datos
  2. Aplicación para el Big Data
  3. Herramientas de Big Data
UNIDAD DIDÁCTICA 6. PRIVACIDAD Y PROTECCIÓN DE DATOS
  1. Sociología de la privacidad
  2. Cultura de la protección de datos
  3. Tecnología y privacidad
UNIDAD DIDÁCTICA 7. ANÁLISIS DE DATOS Y MÉTODOS ESTADÍSTICOS
  1. Medidas de tendencia central y dispersión
  2. Diseño de experimentos
  3. Técnicas de análisis de decisiones
UNIDAD DIDÁCTICA 8. TÉCNICAS NO LINEALES
  1. Machine learning
  2. Deep learning
  3. Minería de Datos
UNIDAD DIDÁCTICA 9. RESULTADOS
  1. Interpretación de gráficas
  2. Interpretación de resultados
  3. Propuestas y conclusiones
UNIDAD DIDÁCTICA 10. PRESENTACIÓN Y VISUALIZACIÓN DE DATOS
  1. Características de visualización
  2. Elementos gráficos
  3. Presentación de resultados

MÓDULO 15. ESTADISTICA APLICADA. ANALISIS DE DATOS Y SPSS

UNIDAD DIDÁCTICA 1. CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS
  1. Aspectos introductorios a la Estadística
  2. Concepto y funciones de la Estadística
  3. Medición y escalas de medida
  4. Variables: clasificación y notación
  5. Distribución de frecuencias
  6. Representaciones gráficas
  7. Propiedades de la distribución de frecuencias
UNIDAD DIDÁCTICA 2. ESTADÍSTICA DESCRIPTIVA BÁSICA
  1. Estadística descriptiva
  2. Estadística inferencial
UNIDAD DIDÁCTICA 3. MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
  1. Medidas de tendencia central
  2. La media
  3. La mediana
  4. La moda
  5. Medidas de posición
  6. Medidas de variabilidad
  7. Índice de Asimetría de Pearson
  8. Puntuaciones típicas
UNIDAD DIDÁCTICA 4. ANÁLISIS CONJUNTO DE VARIABLES
  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal
UNIDAD DIDÁCTICA 5. DISTRIBUCIONES DE PROBABILIDAD
  1. Conceptos previos de probabilidad
  2. Variables discretas de probabilidad
  3. Distribuciones discretas de probabilidad
  4. Distribución Normal
  5. Distribuciones asociadas a la distribución Normal
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A LA ESTADÍSTICA EN PROGRAMAS INFORMÁTICOS. EL SPSS
  1. Introducción
  2. Cómo crear un archivo
  3. Definir variables
  4. Variables y datos
  5. Tipos de variables
  6. Recodificar variables
  7. Calcular una nueva variable
  8. Ordenar casos
  9. Seleccionar casos
UNIDAD DIDÁCTICA 7. ESTADÍSTICA DESCRIPTIVA CON SPSS
  1. Introducción
  2. Análisis de frecuencias
  3. Tabla de correlaciones
  4. Diagramas de dispersión
  5. Covarianza
  6. Coeficiente de correlación
  7. Matriz de correlaciones
  8. Contraste de medias

MÓDULO 16. INFERENCIA ESTADISTICA FINANCIERA

UNIDAD DIDÁCTICA 1. MODELOS PROBABILÍSTICOS UNIVARIANTES CONTINUOS
  1. Distribuciones continuas básicas
  2. Distribución normal
  3. Aplicaciones de los modelos geométricos
  4. Distribuciones relacionadas con las integrales eulerianas
  5. Distribuciones relacionadas con la distribución normal
  6. Convergencias en distribución
UNIDAD DIDÁCTICA 2. DISTRIBUCIONES ASOCIADAS A LOS ESTADÍSTICOS MUESTRALES DE UNA POBLACIÓN NORMAL
  1. Distribución para la media de una muestra normal
  2. Distribución para la varianza y cuasivarianza de una muestra normal
  3. Distribuciones de probabilidad para la diferencia de medias de dos muestras independientes normales
  4. Distribución para el cociente de varianzas
  5. Distribución para la proporción muestral
UNIDAD DIDÁCTICA 3. ESTIMACIÓN PUNTUAL DE PARÁMETROS
  1. Método de máxima verosimilitud
  2. Método de los momentos
  3. Relación entre el método de máxima verosimilitud y el de los momentos
  4. Propiedades deseables para un estimador paramétrico
UNIDAD DIDÁCTICA 4. ESTIMACIÓN MEDIANTE INTERVALOS DE CONFIANZA
  1. Intervalos de confianza para la media de una distribución normal
  2. Intervalo de confianza para una proporción
  3. Intervalo de confianza para la diferencia de medias de dos poblaciones normales
  4. Intervalo de confianza para la diferencia de proporciones
  5. Intervalo de confianza para la varianza de una población normal
  6. Intervalo de confianza para la razón de varianzas
  7. Construcción de regiones de confianza
UNIDAD DIDÁCTICA 5. CONTRASTE DE HIPÓTESIS
  1. Formulación de un contraste de hipótesis
  2. Contraste de hipótesis para la media de una población normal
  3. Contraste para la diferencia de medias
  4. Contraste para la diferencia de proporciones
  5. Contraste para la varianza
  6. Contraste para la razón de varianzas
  7. Análisis de razón de verosimilitudes
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A LA ECONOMETRÍA
  1. Introducción a los modelos econométricos
  2. Especificación y estimación del modelo lineal simple
  3. Estimación de la varianza de la perturbación aleatoria
UNIDAD DIDÁCTICA 7. EL MODELO LINEAL SIMPLE NORMAL
  1. Conceptualización
  2. Obtención de los estimadores mínimo-cuadráticos
  3. Propiedades descriptivas en la regresión lineal simple
  4. Medidas de la bondad del ajuste. El coeficiente de determinación
  5. Hipótesis estadísticas del modelo
  6. Propiedades probabilísticas del modelo
  7. Análisis de la varianza en la regresión
  8. Ejercicio tipo del MLS
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las empresas son cada vez más conscientes de la importancia que tiene el análisis de los datos que almacenan, su gestión y análisis. Con esta Maestría en Ciencias de Datos con Especialización en Estadística Aplicada accederás a puestos en el análisis de datos dentro de equipos de dirección en sectores tan diversos como las finanzas, marketing, seguros, informática o ecommerce, etc.,

. ¿A qué esperas para llevar a cabo tus proyectos personales?.

No se han encontrado comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada

Duración: 1500
EURO635909d980bce
Valoración: 4.9 /5 basada en 57 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada:

La Maestría en Ciencias de Datos con Especialización en Estadística Aplicada te enseñará el uso de herramientas necesarias que te permitan realizar una recolección de datos, su clasificación, almacenamiento y proceso posterior para generar información vital para la toma de decisiones en cualquier empresa. Su especialización en estadística te permitirá entender e interpretar los datos obtenidos en las decisiones comerciales de cualquier sociedad.

A quién va dirigido:

El perfil al que se adapta nuestra Maestría en Ciencias de Datos con Especialización en Estadística Aplicada abarca tanto a estudiantes y profesionales en el área de estadística como en informática, marketing o business. Se dirige a todos aquellos que quieran conocer las distintas herramientas y técnicas que permitan la gestión del análisis de datos dentro del ámbito de la empresa.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Ciencias de Datos. Especialización en Estadística Aplicada:

- Evaluar los conceptos relacionados con la computación distribuida para el manejo de los datos masivos. - Realizar una eficiente recolección de datos y clasificación de estos para su almacenamiento y procesamiento - Aplicar medidas estadísticas en el procesamiento de datos obteniendo y en su interpretación y análisis - Conocer las leyes, tratados, reglamentos y herramientas relacionados con la protección de datos. - Analizar las principales bases de datos NoSQL y su aplicabilidad desarrollos tecnológicos. - Conocer y aplicar los conceptos de Machine Learning y la estructura y tipología de las Redes Neuronales Artificiales

Salidas Laborales:

Las empresas son cada vez más conscientes de la importancia que tiene el análisis de los datos que almacenan, su gestión y análisis. Con esta Maestría en Ciencias de Datos con Especialización en Estadística Aplicada accederás a puestos en el análisis de datos dentro de equipos de dirección en sectores tan diversos como las finanzas, marketing, seguros, informática o ecommerce, etc.,

 

Resumen:

El volumen de información de datos con los que cuentan las empresas gracias a las nuevas tecnologías hace preciso saber gestionarlos y analizarlos. Se necesitan lenguajes de programación, herramientas y técnicas especializadas para poder tomar decisiones acertadas en el ámbito comercial. La Ciencia de Datos será quien nos permita gestionar toda esta información y sacarle el máximo provecho. Con nuestra Maestría en Ciencias de Datos con Especialización en Estadística Aplicada estudiaras y manejaras las técnica que te permitirán realizar una eficiente recolección de datos, la clasificación de los mismos y su procesamiento para lograr datos estadísticos que permitan sacar conclusiones necesarias para la decisiones comerciales de las sociedades.

Titulación:

Doble Titulación: - Titulación Oficial de Maestría en Ciencias de Datos por la Universidad UDAVINCI con el Reconocimiento de Validez Oficial de Estudios (RVOE) - Titulación propia de Maestría en Ciencias de Datos. Especialización en Estadística Aplicada con 1500 horas expedida y avalada por Euroinnova International Online Education

Metodología:

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura con nosotros a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. El alumno debe avanzar de manera autónoma a lo largo de las diferentes asignaturas así como realizar las actividades de aprendizaje. Las horas de estudio realizadas en el Campus Virtual se complementan con el trabajo autónomo del alumno, la comunicación con el docente, las actividades y lecturas complementarias y la labor de investigación y creación asociada a los proyectos.

Temario:


MÓDULO 1. FUNDAMENTOS DE PROGRAMACIÓN

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A JAVASCRIPT
  1. Introducción
  2. Dónde se ubica el JavaScript en las páginas HTML
  3. Cómo enviar las salidas de resultados a las páginas HTML
UNIDAD DIDÁCTICA 2. CONCEPTOS BÁSICOS DE JAVASCRIPT
  1. Declaraciones
  2. Sintaxis
  3. Comentarios
  4. Variables
  5. Tipos de datos
UNIDAD DIDÁCTICA 3. PROGRAMACIÓN ORIENTADA A OBJETOS
  1. Clase
  2. Propiedades
  3. Métodos
  4. Getters y Setters
  5. Constructores
UNIDAD DIDÁCTICA 4. SENTENCIAS CONDICIONALES
  1. Operadores
  2. Sentencia condicional simple
  3. Sentencia condicional múltiple
UNIDAD DIDÁCTICA 5. SENTENCIAS DE REPETICIÓN
  1. Fundamentos de la repetición controlada
  2. Instrucción de repetición mientras
  3. Instrucción de repetición haz - mientras
  4. Instrucción de repetición desde
UNIDAD DIDÁCTICA 6. ARREGLOS EN LA PROGRAMACIÓN
  1. Declaración y creación de arreglos
  2. Paso de arreglos a los métodos
  3. Arreglos multidimensionales
  4. Listas de argumentos con longitud variable
UNIDAD DIDÁCTICA 7. FUNCIONES
  1. Manejo de cadenas
  2. Manejo de números
  3. Manejo de funciones matemáticas
  4. Manejo de valores booleanos
UNIDAD DIDÁCTICA 8. INTERFACES
  1. JavaScript HTML DOM
  2. Modelo de objeto del navegador
  3. Formularios
UNIDAD DIDÁCTICA 9. ENVIAR Y RECIBIR DATOS DESDE JAVASCRIPT
  1. JavaScript Ajax
  2. Uso JSON en JavaScript
UNIDAD DIDÁCTICA 10. FRAMEWORK JQUERY
  1. Conceptos y generalidades
  2. Utilización de Jquery

MÓDULO 2. DATOS MASIVOS EN LAS ORGANIZACIONES

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LOS DATOS MASIVOS
  1. Evolución de la administración de los datos
  2. Tipos de administración de los datos
  3. Operaciones para el manejo de los datos masivos
  4. Tipos de datos masivos
UNIDAD DIDÁCTICA 2. COMPUTACIÓN DISTRIBUIDA
  1. Historia de la computación distribuida
  2. Elementos de la computación distribuida
  3. Uso de la computación distribuida
UNIDAD DIDÁCTICA 3. COMPONENTES TECNOLÓGICOS PARA EL USO DE DATOS MASIVOS
  1. Pila de datos masivos
  2. Capas para el manejo de los datos masivos
  3. Tecnología para el uso de datos masivos
UNIDAD DIDÁCTICA 4. SERVICIOS Y ALMACENAMIENTO DE DATOS
  1. Servicios de organización de datos
  2. Herramientas para la organización de datos
  3. Almacenamiento analítico de datos
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LA VIRTUALIZACIÓN
  1. Importancia de la virtualización en el uso de datos masivos
  2. Servidor de virtualización
  3. Aplicaciones de la virtualización
  4. Manejo de la virtualización
UNIDAD DIDÁCTICA 6. USO DE LOS DATOS MASIVOS
  1. Aplicación de los datos masivos
  2. Manejo de datos masivos
  3. Funciones en el uso de datos masivos
UNIDAD DIDÁCTICA 7. USO DE LA NUBE
  1. Relación de la nube con los datos masivos
  2. Modelos de despliegue y entrega en la nube
  3. Manejo de la nube para la administración de datos masivos
UNIDAD DIDÁCTICA 8. SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Características de los sistemas de almacenamiento masivo
  2. Elementos de los sistemas de almacenamiento masivo
  3. Beneficios de los sistemas de almacenamiento masivo
UNIDAD DIDÁCTICA 9. MANEJO DE LOS SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Sistemas de archivos distribuidos
  2. Uso de las funciones de reducción
  3. Manejo de las funciones de mapeo
UNIDAD DIDÁCTICA 10. ADMINISTRACIÓN DE LOS SISTEMAS PARA EL ALMACENAMIENTO MASIVO
  1. Manejo de recursos y aplicaciones
  2. Almacenamiento de los datos masivos
  3. Minería de datos masivos

MÓDULO 3. RECOLECCIÓN Y CLASIFICACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Importancia de la recolección de datos
  2. Historia y evolución
  3. Importancia de la clasificación de datos
  4. Historia y evolución
  5. Relación con la ciencia de datos
UNIDAD DIDÁCTICA 2. ENTREVISTA
  1. Conceptos
  2. Objetivo
  3. Características
  4. Partes de una Entrevista
  5. Tipos de preguntas
UNIDAD DIDÁCTICA 3. SESIÓN DE GRUPO
  1. Conceptos
  2. Objetivo
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 4. OBSERVACIÓN
  1. Conceptos
  2. Objetivos
  3. PARTICIPANTES
  4. Aplicación en la recolección de datos
  5. Registro de hechos
UNIDAD DIDÁCTICA 5. ENCUESTA
  1. Conceptos
  2. Objetivos
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 6. DIAGRAMA DE FLUJO
  1. Conceptos
  2. Objetivos
  3. Diseño
  4. Construcción
  5. Aplicabilidad en la recolección de datos
UNIDAD DIDÁCTICA 7. DICCIONARIO DE DATOS
  1. Conceptos
  2. Objetivos
  3. Características
  4. Construcción
  5. aplicabilidad
UNIDAD DIDÁCTICA 8. TECNOLOGÍAS PARA LA RECOLECCIÓN DE DATOS
  1. Importancia
  2. Beneficios
  3. Características
  4. Costos
  5. Algunas herramientas
UNIDAD DIDÁCTICA 9. CLASIFICACIÓN DE DATOS
  1. Conceptos
  2. Tipos
  3. Clasificaciones
  4. Datos cualitativos
  5. Datos cuantitativos
UNIDAD DIDÁCTICA 10. REVISIÓN Y CORRECCIÓN DE LOS DATOS
  1. Conceptos
  2. Objetivo
  3. Ventajas y beneficios
  4. Consecuencias negativas
  5. Herramientas

MÓDULO 4. ANÁLISIS DE DATOS Y MÉTODOS ESTADÍSTICOS

UNIDAD DIDÁCTICA 1. ESTADÍSTICA DESCRIPTIVA
  1. Distribuciones y Gráficas
  2. Medidas de tendencia central y dispersión
  3. Medidas de Posición y forma
UNIDAD DIDÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD
  1. Tipos de variables
  2. Distribuciones discretas de probabilidad
  3. Distribuciones continuas de probabilidad
  4. Muestreo y distribuciones muestrales
UNIDAD DIDÁCTICA 3. DISEÑO DE EXPERIMENTOS
  1. Teorema de límite central
  2. Intervalos de confianza
  3. Pruebas de hipótesis
UNIDAD DIDÁCTICA 4. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE
  1. Regresión lineal simple
  2. Coeficientes de correlación y determinación
  3. Regresión lineal múltiple
UNIDAD DIDÁCTICA 5. ANÁLISIS DE VARIANZAS (ANOVA)
  1. ANOVA con un factor
  2. ANOVA con varios factores
  3. Comparaciones Múltiples
UNIDAD DIDÁCTICA 6. ANÁLISIS DE DATOS CATEGÓRICOS
  1. Tipos de Pruebas de bondad
  2. Cuadros de contingencia
  3. Aplicaciones de pruebas de bondad
UNIDAD DIDÁCTICA 7. SERIES DE TIEMPO
  1. Tipo de Variaciones
  2. Métodos aplicados a series de tiempo
  3. Índices
UNIDAD DIDÁCTICA 8. ESTADÍSTICA NO PARAMÉTRICA
  1. Prueba del signo
  2. Prueba de rangos
  3. Prueba U
  4. Prueba H
UNIDAD DIDÁCTICA 9. ANÁLISIS DE DECISIONES
  1. Elementos del análisis de decisiones
  2. Toma de decisiones bajo Riesgo
  3. Técnicas cualitativas para la toma de decisiones
UNIDAD DIDÁCTICA 10. TÉCNICAS CLÁSICAS DE CLASIFICACIÓN Y PREDICCIÓN
  1. Arboles de Decisiones
  2. Cadenas de Markov
  3. Redes Bayesianas
  4. Otras técnicas

MÓDULO 5. BASES DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Sistema de procesamiento de archivos
  2. Sistema de procesamiento de bases de datos
  3. Historia del procesamiento de bases de datos
  4. Definición de una base de datos
  5. DBMS
UNIDAD DIDÁCTICA 2. MODELADO DE BD
  1. Conceptos de modelado
  2. Importancia del modelado
  3. Modelo E-R
  4. Modelo relacional
  5. Normalización
UNIDAD DIDÁCTICA 3. DDL
  1. Conceptos y definiciones
  2. Tipos de datos
  3. Sentencias del DDL
  4. Ejemplos de DDL
UNIDAD DIDÁCTICA 4. DBMS ORACLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 5. DBMS SQL SERVER
  1. Introducción
  2. Importancia
  3. Entorno e Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 6. MONGODB
  1. Introducción e Importancia
  2. Entorno
  3. Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 7. SQL INTRODUCCIÓN
  1. Historia y Conceptos
  2. Sentencia DDL en SQL
  3. Sentencia INSERT, DELETE, UPDATE
  4. Sentencia DELETE
UNIDAD DIDÁCTICA 8. SQL CONSULTAS, SUBCONSULTAS Y FUNCIONES
  1. Sentencia SELECT
  2. Operadores de comparación y booleanos
  3. Subconsultas
  4. Funciones y Comandos de ordenamiento
UNIDAD DIDÁCTICA 9. SQL MÚLTIPLES TABLAS
  1. Sentencia SELECT con múltiples tablas
  2. Funciones de agrupación
  3. Operadores para múltiples tablas
  4. Sentencia JOIN
UNIDAD DIDÁCTICA 10. BASES DE DATOS EN LA NUBE Y TENDENCIAS DE BASES DE DATOS
  1. Conceptos
  2. Tecnologías en la nube
  3. NoSQL
  4. Tendencias actuales

MÓDULO 6. PRIVACIDAD Y PROTECCIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Privacidad
  2. Protección de datos
  3. Privacidad y protección de datos
  4. Importancia de la privacidad
  5. Importancia de la protección de datos
UNIDAD DIDÁCTICA 2. SOCIOLOGÍA DE LA PRIVACIDAD
  1. Datos personales
  2. Sensibilidad de los datos
  3. Tratamiento de los datos
  4. Recolección de datos
  5. Consentimiento
UNIDAD DIDÁCTICA 3. CULTURA DE LA PROTECCIÓN DE DATOS PERSONALES
  1. Tratamiento
  2. Calidad
  3. Seguridad
  4. Desecho
  5. Secrecía
UNIDAD DIDÁCTICA 4. PROTECCIÓN DE DATOS EN EL MUNDO
  1. Referentes históricos
  2. Organismos internacionales
  3. Leyes internacionales
  4. Decretos internacionales
  5. Acuerdos internacionales
UNIDAD DIDÁCTICA 5. PROTECCIÓN DE DATOS EN MÉXICO
  1. Referentes históricos
  2. Ley Federal de Protección de Datos Personales
  3. Marco legal
  4. Conceptos y definiciones
  5. Actualidad de la protección de datos en México
UNIDAD DIDÁCTICA 6. INSTITUTO FEDERAL DE ACCESO A LA INFORMACIÓN Y PROTECCIÓN DE DATOS
  1. El IFAI
  2. Misión
  3. Visión
  4. Estructura
  5. Funciones
UNIDAD DIDÁCTICA 7. TECNOLOGÍA Y LA PROTECCIÓN DE DATOS PERSONALES
  1. Introducción
  2. Identificación
  3. Autenticación
  4. Código malicioso
  5. Responsabilidad de los usuarios
UNIDAD DIDÁCTICA 8. TECNOLOGÍA Y LA PRIVACIDAD
  1. Introducción
  2. Navegación
  3. Correo electrónico
  4. Redes sociales
  5. Usuarios menores de edad
UNIDAD DIDÁCTICA 9. ESTEGANOGRAFÍA Y CRIPTOGRAFÍA
  1. Historia, definición y objetivos de Esteganografía
  2. Historia, definición y objetivos de la criptografía
  3. Aplicaciones y usos
  4. Herramientas
  5. Beneficios
UNIDAD DIDÁCTICA 10. SEGURIDAD INFORMÁTICA
  1. Fundamentos
  2. Sistemas de Gestión de la Seguridad de la Información
  3. Plan de Contingencias y Seguridad del Negocio
  4. Norma ISO 27001
  5. Certificación en seguridad de la información

MÓDULO 7. BASES DE DATOS NO SQL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A BASES DE DATOS
  1. Historia
  2. Primeros sistemas administradores de bases de datos
  3. Primera revolución de las bases de datos
  4. Segunda revolución de las bases de datos
  5. Tercera revolución de las bases de datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS LLAVE-VALOR (KEY-VALUE DATABASES)
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 3. BASES DE DATOS DE DOCUMENTOS
  1. Introducción
  2. Características y conceptos
  3. Diseño
  4. XML
  5. JSON
UNIDAD DIDÁCTICA 4. BASES DE DATOS DE COLUMNAS
  1. Introducción
  2. Características y conceptos
  3. Arquitecturas
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 5. BASES DE DATOS DE GRAFOS
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 6. HBASE
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 7. MONGODB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 8. CASSANDRA
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 9. COUCHDB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño
UNIDAD DIDÁCTICA 10. DYNAMODB
  1. Introducción
  2. Características
  3. Conceptos
  4. Terminología
  5. Diseño

MÓDULO 8. FUNDAMENTOS DE MACHINE LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. ¿Qué es Machine Learning?
  2. ¿Dónde se aplica Machine Learning?
  3. Plataformas que trabajan Machine Learning
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES (RNA)
  1. Definición de RNA e Inteligencia Artificial
  2. El modelo Biológico
  3. Aplicaciones de las Redes Neuronales Artificiales
UNIDAD DIDÁCTICA 3. CARACTERÍSTICAS DE LAS RNA
  1. Errores comunes al aplicar RNA
  2. Ventajas y Desventajas
  3. Comparación de las RNA con otras técnicas
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN DE LAS RNA
  1. Aproximación de funciones
  2. Clustering
  3. Predicción
  4. Clasificación
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LAS RNA
  1. Elementos de las RNA
  2. Estructura de las RNA
  3. Funcionamiento de las RNA
UNIDAD DIDÁCTICA 6. MECANISMOS DE APRENDIZAJE
  1. Entrenamiento no supervisado
  2. Entrenamiento supervisado
  3. Entrenamiento hibrido
UNIDAD DIDÁCTICA 7. TOPOLOGÍAS DE LAS RNA
  1. Redes monocapa y multicapa
  2. Redes heteroasociativas y autoasociativas
  3. Redes Estocásticas
  4. Otras topologías de RNA
UNIDAD DIDÁCTICA 8. EL PERCEPTRÓN
  1. Estructura del perceptrón
  2. Perceptrón multicapa
  3. La red Backpropagation
UNIDAD DIDÁCTICA 9. CONSTRUCCIÓN DE UNA RNA
  1. Tipos de datos
  2. Como elegir la topología de RNA
  3. Diseño de estructura
UNIDAD DIDÁCTICA 10. INTERPRETACIÓN DE RESULTADOS
  1. Gráficas de resultados
  2. Medidas de error de las RNA
  3. Definición del error aceptable

MÓDULO 9. BIG DATA

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Evolución de la administración de los datos
  2. ¿Qué es Big Data?
  3. Significados y variaciones del término
  4. Cambio de paradigma
  5. Datos al servicio de las personas
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LOS GRANDES VOLÚMENES DE DATOS
  1. Volumen - Variedad
  2. Velocidad - Veracidad
  3. Valor - Visualización
  4. Verificación - Variabilidad
  5. Viabilidad
UNIDAD DIDÁCTICA 3. APLICACIONES DEL BIG DATA (1)
  1. Banca
  2. Salud
  3. Ciudades inteligentes
  4. Agricultura
  5. Política
UNIDAD DIDÁCTICA 4. APLICACIONES DEL BIG DATA (2)
  1. Deportes
  2. Periodismo
  3. Logística
  4. Mercadotecnia
  5. Educación
UNIDAD DIDÁCTICA 5. HERRAMIENTAS PARA EL BIG DATA
  1. Arquitecturas para Big Data
  2. Generación de datos
  3. Adquisición de datos
  4. Almacenamiento de datos
  5. Análisis y visualización de datos
UNIDAD DIDÁCTICA 6. BASES DE DATOS PARA BIG DATA (1)
  1. BD Relacionales
  2. NoSql
  3. BD Key-Value
  4. BD Orientadas a documentos
  5. BD Orientadas a grafos
UNIDAD DIDÁCTICA 7. BASES DE DATOS PARA BIG DATA (2)
  1. BD Orientadas a objetos
  2. BD Columnas
  3. BD Espaciales
UNIDAD DIDÁCTICA 8. HADOOP
  1. Conceptos
  2. Sistema de archivos distribuidos Hadoop
  3. YARN
  4. MapReduce
  5. Ecosistema Hadoop
UNIDAD DIDÁCTICA 9. KETTLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 10. MONGODB
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación

MÓDULO 10. MINERÍA DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DATA MINING
  1. Bases de Datos y el Proceso KDD
  2. Análisis Básico de Ejemplos y Aplicaciones en Data Mining
  3. Procesos Estadísticos en Data Mining
  4. Herramientas Computacionales Para Data Mining
UNIDAD DIDÁCTICA 2. ACONDICIONAMIENTO DE DATOS
  1. Ruido y Ajuste de Datos
  2. Análisis Exploratorio en Datos
  3. Filtrado en Datos Estructurados y no Estructurados
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL
  1. ¿Qué es la Inteligencia Artificial y sus Técnicas?
  2. Redes Neuronales Artificiales
  3. Topologías de Red
  4. Algoritmos de Propagación
  5. Redes Neuronales Pulsantes
UNIDAD DIDÁCTICA 4. MACHINE LEARNING-APRENDIZAJE AUTOMÁTICO
  1. Minería de Textos
  2. Pre-Procesamiento y Digitalización
  3. Análisis Automatizado de Textos
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE LENGUAJE NATURAL
  1. Sentiment Analysis
  2. Análisis de Texto y Lingüística Computacional
  3. Extracción de Información Subjetiva
  4. Minería de Opinión y Aplicaciones
UNIDAD DIDÁCTICA 6. MODELADO DE TEXTO EN MACHINE LEARNING
  1. Espacio Vectorial
  2. Modelado de Vectores y Tensorflow
  3. Python en Data Mining
UNIDAD DIDÁCTICA 7. DEEPLEARNING
  1. Algoritmos de Aprendizaje Profundo
  2. Abstracciones de Alto Nivel
  3. Arquitecturas Compuestas
  4. Redes Neuronales Convolucionales
UNIDAD DIDÁCTICA 8. DATA DRIVEN DECISION MAKING
  1. Criterios de Decisión
  2. Requerimiento de Datos
  3. Evaluación de Decisiones
UNIDAD DIDÁCTICA 9. CREACIÓN DE MODELOS DE DATOS
  1. Clustering
  2. Técnicas de Clustering
  3. Técnicas Estadísticas
UNIDAD DIDÁCTICA 10. EVALUACIÓN DE MODELOS Y CLUSTERING DIFUSO
  1. Fundamentos de Evaluación de Modelos
  2. Técnicas de Evaluación de Modelos
  3. Aplicación de las Técnicas de Evaluación de Modelos

MÓDULO 11. DESCUBRIMIENTO DE CONOCIMIENTO CON LENGUAJE R

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DESCUBRIMIENTO DEL CONOCIMIENTO
  1. Antecedentes
  2. Importancia
  3. Áreas de aplicación
  4. Proceso de descubrimiento del conocimiento
  5. Tendencias
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A R
  1. ¿Qué es R?
  2. Antecedentes
  3. Configuración del entorno de trabajo
  4. Características importantes
  5. Ayuda
UNIDAD DIDÁCTICA 3. ELEMENTOS DEL LENGUAJE R
  1. Tipos de datos
  2. Operaciones aritméticas
  3. Operadores lógicos
  4. Operadores relacionales
  5. Funciones de conversión
UNIDAD DIDÁCTICA 4. ESTRUCTURAS DE DATOS EN R
  1. Vectores
  2. Matrices
  3. Factores y vectores de caracter
  4. Listas
  5. Data frames
UNIDAD DIDÁCTICA 5. ESTRUCTURAS DE CONTROL
  1. Estructura condicional IF-ELSE
  2. Estructura SWITCH
  3. Bucle FOR
  4. Bucle WHILE
  5. Sentencia BREAK, NEXT
UNIDAD DIDÁCTICA 6. FUNCIONES
  1. Estructura
  2. Visibilidad del código
  3. Recursividad
  4. Funciones matemáticas
  5. Funciones de análisis estadístico
UNIDAD DIDÁCTICA 7. ANÁLISIS EXPLORATORIO DE DATOS
  1. Comandos para gráficos exploratorios
  2. Estadística descriptiva
  3. Medidas de tendencia central
  4. Medidas de dispersión
  5. Coeficiente de correlación, covarianza
UNIDAD DIDÁCTICA 8. PROBABILIDAD. DISTRIBUCIONES DISCRETAS Y CONTINUAS
  1. Probabilidad
  2. Distribuciones discretas
  3. Distribuciones continuas
  4. Intervalos de confianza
  5. Test de hipótesis
UNIDAD DIDÁCTICA 9. TÉCNICAS DE CLASIFICACIÓN, SEGMENTACIÓN Y MODELOS PREDICTIVOS
  1. Análisis clúster
  2. Clústeres jerárquicos y secuenciales
  3. Clústeres aglomerativos y exclusivos
  4. Modelos predictivos
  5. Modelo lineal
UNIDAD DIDÁCTICA 10. GRÁFICAS CON R
  1. Función plot()
  2. Colores
  3. Gráficos para una variable
  4. Gráficas de curvas continua
  5. Gráficas escalonadas

MÓDULO 12. METODOLOGÍA DE LA INVESTIGACIÓN

UNIDAD DIDÁCTICA 1. ENFOQUE CUANTITATIVO Y CUALITATIVO
  1. Elementos de la investigación
  2. Características del enfoque cuantitativo
  3. Características del enfoque cualitativo
  4. Diferencias entre los enfoques de investigación
  5. Ventajas de los enfoques de investigación
UNIDAD DIDÁCTICA 2. PROYECTO DE INVESTIGACIÓN
  1. Tipos de proyectos de investigación
  2. Proyecto de investigación cuantitativa
  3. Proyecto de investigación cualitativa
  4. Fuentes de ideas para la investigación
  5. Antecedentes de la investigación
UNIDAD DIDÁCTICA 3. PLANTEAMIENTO DEL PROBLEMA CUANTITATIVO
  1. Planteamiento del problema de investigación
  2. Enfoque cuantitativo
  3. Criterios para plantear el problema
  4. Elementos para el planteamiento del problema de investigación
  5. Objetivos, preguntas y justificación de la investigación
UNIDAD DIDÁCTICA 4. REVISIÓN DE LA LITERATURA Y CONSTRUCCIÓN DEL MARCO TEÓRICO
  1. Desarrollo de la perspectiva teórica
  2. Etapas para el desarrollo de la perspectiva teórica
  3. Elementos para la revisión de la literatura
  4. Elementos del marco teórico
  5. Construcción del marco teórico
UNIDAD DIDÁCTICA 5. ALCANCE DE LA INVESTIGACIÓN
  1. Estudio exploratorio
  2. Estudio descriptivo
  3. Estudio correlacional
  4. Estudio explicativo
  5. Selección del tipo de estudio
UNIDAD DIDÁCTICA 6. FORMULACIÓN DE HIPÓTESIS
  1. Elementos de las hipótesis
  2. Características de las variables
  3. Tipos de hipótesis
  4. Hipótesis nulas
  5. Hipótesis alternativas
UNIDAD DIDÁCTICA 7. DISEÑOS DE INVESTIGACIÓN
  1. Características del diseño en la investigación
  2. Diseño experimentales
  3. Experimentos puros
  4. Diseños no experimentales
  5. Diseños transeccionales descriptivos
UNIDAD DIDÁCTICA 8. SELECCIÓN DE LA MUESTRA
  1. Delimitación de la población
  2. Selección de muestra
  3. Tipos de muestra
  4. Muestra probabilística
  5. Muestra no probabilística
UNIDAD DIDÁCTICA 9. RECOLECCIÓN Y ANÁLISIS DE LOS DATOS CUANTITATIVOS
  1. Características para la recolección de datos
  2. Instrumento de medición
  3. Análisis de los datos cuantitativos
  4. Proceso para el análisis de los datos cuantitativos
  5. Pruebas de hipótesis
UNIDAD DIDÁCTICA 10. REPORTE DE RESULTADOS DEL PROCESO CUANTITATIVO
  1. Características del reporte
  2. Elementos del reporte
  3. Recursos para la elaboración del reporte
  4. Criterios para la elaboración del reporte
  5. Protocolo de investigación

MÓDULO 13. PRESENTACIÓN Y VISUALIZACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Concepto
  2. Historia
  3. Datos
  4. El poder de los datos
  5. Importancia
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LA VISUALIZACIÓN
  1. Objetivo
  2. Motivadora
  3. Efectiva
  4. Resultados
  5. Originalidad
UNIDAD DIDÁCTICA 3. ELEMENTOS GRÁFICOS (1)
  1. Tablas
  2. Gráfico de barras
  3. Gráfico de líneas
  4. Gráfico circular
  5. Gráfico de dispersión
UNIDAD DIDÁCTICA 4. ELEMENTOS GRÁFICOS (2)
  1. Gráfico de burbuja
  2. Gráfico de Gantt
  3. Gráfico de histograma
  4. Gráfico de bala
  5. Mapa
UNIDAD DIDÁCTICA 5. ELEMENTOS GRÁFICOS (3)
  1. Mapa de calor
  2. Tabla de resaltado
  3. Diagrama de árbol
  4. Gráfico de velas
UNIDAD DIDÁCTICA 6. ELEMENTOS GRÁFICOS (4)
  1. Treemap
  2. Gráficos sociales
  3. Palabras
  4. Infografías
UNIDAD DIDÁCTICA 7. ANÁLISIS DE DATOS
  1. Conceptos
  2. Importancia
  3. Impacto
  4. Herramientas tecnológicas
  5. Futuro
UNIDAD DIDÁCTICA 8. HERRAMIENTAS PARA ANÁLISIS DE DATOS
  1. Excel aplicado a ciencia de datos
  2. SPSS
  3. Minitab
  4. Otras herramientas
UNIDAD DIDÁCTICA 9. HERRAMIENTAS TECNOLÓGICAS (1)
  1. Tableau (https://www.tableau.com/es-es)
  2. Qlik (https://www.qlik.com/es-es)
  3. Plotly (https://plot.ly/)
  4. Carto (https://carto.com/)
  5. DataWrapper (https://www.datawrapper.de/)
UNIDAD DIDÁCTICA 10. HERRAMIENTAS TECNOLÓGICAS (2)
  1. Infogram (https://infogram.com/es)
  2. Piktochart (https://piktochart.com/)
  3. Herramientas de Google (https://cloud.google.com/bigquery/, https://cloud.google.com/sql/docs/, https://www.google.com/sheets/about/, https://datastudio.withgoogle.com/)
  4. Chartblocks (https://www.chartblocks.com/es)
  5. Thinglink (https://www.thinglink.com/)

MÓDULO 14. PROYECTO INTEGRADOR DE CIENCIA DE DATOS

UNIDAD DIDÁCTICA 1. IDENTIFICACIÓN DE UN PROBLEMA
  1. Tipo de problemática
  2. Tipo de investigación (cualitativa/cuantitativa)
  3. Análisis del entorno del problema
UNIDAD DIDÁCTICA 2. RECOLECCIÓN DE DATOS
  1. Entrevistas y cuestionarios
  2. Clasificación y depuración de Datos
  3. Acomodo y homologación de Datos
UNIDAD DIDÁCTICA 3. ADMINISTRACIÓN DE BASES DE DATOS
  1. Respaldo de información
  2. Recuperación de la información
  3. Diagnóstico de la base de Datos
UNIDAD DIDÁCTICA 4. ANÁLISIS Y DISEÑO DE ALGORITMOS
  1. Análisis del algoritmo
  2. Método y técnica aplicable
  3. Importancia y desarrollo
UNIDAD DIDÁCTICA 5. BIG DATA
  1. Características de los grandes volúmenes de Datos
  2. Aplicación para el Big Data
  3. Herramientas de Big Data
UNIDAD DIDÁCTICA 6. PRIVACIDAD Y PROTECCIÓN DE DATOS
  1. Sociología de la privacidad
  2. Cultura de la protección de datos
  3. Tecnología y privacidad
UNIDAD DIDÁCTICA 7. ANÁLISIS DE DATOS Y MÉTODOS ESTADÍSTICOS
  1. Medidas de tendencia central y dispersión
  2. Diseño de experimentos
  3. Técnicas de análisis de decisiones
UNIDAD DIDÁCTICA 8. TÉCNICAS NO LINEALES
  1. Machine learning
  2. Deep learning
  3. Minería de Datos
UNIDAD DIDÁCTICA 9. RESULTADOS
  1. Interpretación de gráficas
  2. Interpretación de resultados
  3. Propuestas y conclusiones
UNIDAD DIDÁCTICA 10. PRESENTACIÓN Y VISUALIZACIÓN DE DATOS
  1. Características de visualización
  2. Elementos gráficos
  3. Presentación de resultados

MÓDULO 15. ESTADISTICA APLICADA. ANALISIS DE DATOS Y SPSS

UNIDAD DIDÁCTICA 1. CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS
  1. Aspectos introductorios a la Estadística
  2. Concepto y funciones de la Estadística
  3. Medición y escalas de medida
  4. Variables: clasificación y notación
  5. Distribución de frecuencias
  6. Representaciones gráficas
  7. Propiedades de la distribución de frecuencias
UNIDAD DIDÁCTICA 2. ESTADÍSTICA DESCRIPTIVA BÁSICA
  1. Estadística descriptiva
  2. Estadística inferencial
UNIDAD DIDÁCTICA 3. MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
  1. Medidas de tendencia central
  2. La media
  3. La mediana
  4. La moda
  5. Medidas de posición
  6. Medidas de variabilidad
  7. Índice de Asimetría de Pearson
  8. Puntuaciones típicas
UNIDAD DIDÁCTICA 4. ANÁLISIS CONJUNTO DE VARIABLES
  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal
UNIDAD DIDÁCTICA 5. DISTRIBUCIONES DE PROBABILIDAD
  1. Conceptos previos de probabilidad
  2. Variables discretas de probabilidad
  3. Distribuciones discretas de probabilidad
  4. Distribución Normal
  5. Distribuciones asociadas a la distribución Normal
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A LA ESTADÍSTICA EN PROGRAMAS INFORMÁTICOS. EL SPSS
  1. Introducción
  2. Cómo crear un archivo
  3. Definir variables
  4. Variables y datos
  5. Tipos de variables
  6. Recodificar variables
  7. Calcular una nueva variable
  8. Ordenar casos
  9. Seleccionar casos
UNIDAD DIDÁCTICA 7. ESTADÍSTICA DESCRIPTIVA CON SPSS
  1. Introducción
  2. Análisis de frecuencias
  3. Tabla de correlaciones
  4. Diagramas de dispersión
  5. Covarianza
  6. Coeficiente de correlación
  7. Matriz de correlaciones
  8. Contraste de medias

MÓDULO 16. INFERENCIA ESTADISTICA FINANCIERA

UNIDAD DIDÁCTICA 1. MODELOS PROBABILÍSTICOS UNIVARIANTES CONTINUOS
  1. Distribuciones continuas básicas
  2. Distribución normal
  3. Aplicaciones de los modelos geométricos
  4. Distribuciones relacionadas con las integrales eulerianas
  5. Distribuciones relacionadas con la distribución normal
  6. Convergencias en distribución
UNIDAD DIDÁCTICA 2. DISTRIBUCIONES ASOCIADAS A LOS ESTADÍSTICOS MUESTRALES DE UNA POBLACIÓN NORMAL
  1. Distribución para la media de una muestra normal
  2. Distribución para la varianza y cuasivarianza de una muestra normal
  3. Distribuciones de probabilidad para la diferencia de medias de dos muestras independientes normales
  4. Distribución para el cociente de varianzas
  5. Distribución para la proporción muestral
UNIDAD DIDÁCTICA 3. ESTIMACIÓN PUNTUAL DE PARÁMETROS
  1. Método de máxima verosimilitud
  2. Método de los momentos
  3. Relación entre el método de máxima verosimilitud y el de los momentos
  4. Propiedades deseables para un estimador paramétrico
UNIDAD DIDÁCTICA 4. ESTIMACIÓN MEDIANTE INTERVALOS DE CONFIANZA
  1. Intervalos de confianza para la media de una distribución normal
  2. Intervalo de confianza para una proporción
  3. Intervalo de confianza para la diferencia de medias de dos poblaciones normales
  4. Intervalo de confianza para la diferencia de proporciones
  5. Intervalo de confianza para la varianza de una población normal
  6. Intervalo de confianza para la razón de varianzas
  7. Construcción de regiones de confianza
UNIDAD DIDÁCTICA 5. CONTRASTE DE HIPÓTESIS
  1. Formulación de un contraste de hipótesis
  2. Contraste de hipótesis para la media de una población normal
  3. Contraste para la diferencia de medias
  4. Contraste para la diferencia de proporciones
  5. Contraste para la varianza
  6. Contraste para la razón de varianzas
  7. Análisis de razón de verosimilitudes
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A LA ECONOMETRÍA
  1. Introducción a los modelos econométricos
  2. Especificación y estimación del modelo lineal simple
  3. Estimación de la varianza de la perturbación aleatoria
UNIDAD DIDÁCTICA 7. EL MODELO LINEAL SIMPLE NORMAL
  1. Conceptualización
  2. Obtención de los estimadores mínimo-cuadráticos
  3. Propiedades descriptivas en la regresión lineal simple
  4. Medidas de la bondad del ajuste. El coeficiente de determinación
  5. Hipótesis estadísticas del modelo
  6. Propiedades probabilísticas del modelo
  7. Análisis de la varianza en la regresión
  8. Ejercicio tipo del MLS
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las empresas son cada vez más conscientes de la importancia que tiene el análisis de los datos que almacenan, su gestión y análisis. Con esta Maestría en Ciencias de Datos con Especialización en Estadística Aplicada accederás a puestos en el análisis de datos dentro de equipos de dirección en sectores tan diversos como las finanzas, marketing, seguros, informática o ecommerce, etc.,

. ¿A qué esperas para llevar a cabo tus proyectos personales?.

No se han encontrado comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *