Cursos gratuitos

Curso Gratuito Maestría en Inteligencia Artificial. Especialización en Análisis de Datos

Duración: 1500
EURO636ba1d830bd1
Valoración: 4.7 /5 basada en 42 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial. Especialización en Análisis de Datos:

Con esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos podrás aprender a aplicar tecnologías de análisis de datos al campo de la inteligencia artificial y el big data. Se tendrá la posibilidad de estudiar los procesos que se llevan a cabo para el análisis de datos y para el data mining, además de conocer las herramientas utilizadas hoy en día para manejar grandes cantidades de datos.

A quién va dirigido:

Esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos está orientada a todo aquel que quiera iniciar en el mundo del análisis de datos, así como para aquellos que quieran aumentar sus conocimientos sobre este campo. Además, también está enfocado a trabajadores del sector de la inteligencia artificial que quieren especializarse en el análisis de datos.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial. Especialización en Análisis de Datos:

- Conocer el concepto de análisis de datos. - Conocer los diferentes tipos de bases de datos. - Aprender a utilizar las diferentes tecnologías que hay detrás del análisis de datos. - Descubrir el lenguaje SQL y conocer su uso para bases de datos. - Comprender el funcionamiento del big data.

Salidas Laborales:

Las salidas profesionales de esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos son las de analista de datos, ingeniero de datos, científico de datos, arquitecto de datos y director de datos. En general, todas las posiciones relacionadas con el uso de grandes cantidades de datos. Adquiere una formación avanzada y amplia tus fronteras.

 

Resumen:

En las últimas décadas se han dado importantes cambios en el mundo de la inteligencia artificial, y es que la rapidez y habilidad con la que trabajan las máquinas realizando tareas humanas es realmente impresionante. Gracias a esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos podrás conocer de primera mano las características clave de esta tecnología y las ventajas que ofrece. Cuando se haya finalizado, el alumno tendrá conocimientos para aplicar el análisis de datos al campo de la inteligencia artificial. Por último, el alumno tendrá la posibilidad de aprender a controlar grandes cantidades de datos con el estudio de Big Data que ayudarán al proceso de aprendizaje automático de las máquinas.

Titulación:

Doble Titulación: - Titulación de Maestría en Inteligencia Artificial. Especialización en Análisis de Datos con 1500 horas expedida por Euroinnova International Online Education. - Titulación Oficial de Maestría en Inteligencia Artificial por la Universidad UDAVINCI con el Reconocimiento de Validez Oficial de Estudios (RVOE)

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. INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL
  1. Características de la inteligencia
  2. Uso de la inteligencia artificial
  3. Ventajas de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ANTECEDENTES DE LA INTELIGENCIA ARTIFICIAL
  1. Historia de la inteligencia artificial
  2. Factores de la inteligencia artificial
  3. Evolución de la inteligencia artificial
UNIDAD DIDÁCTICA 3. RAMAS DE LA INTELIGENCIA ARTIFICIAL
  1. Lógica difusa
  2. Redes neurales artificiales
  3. Algoritmos genéticos
UNIDAD DIDÁCTICA 4. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Características de la lógica difusa
  3. Beneficios de la lógica difusa
UNIDAD DIDÁCTICA 5. MANEJO DE LA LÓGICA DIFUSA
  1. Uso de la lógica difusa
  2. Aplicaciones de la lógica difusa
  3. Ventajas de la lógica difusa en la industria
UNIDAD DIDÁCTICA 6. REDES NEURALES ARTIFICIALES
  1. Historia de las redes neurales artificiales
  2. Características de las redes neurales artificiales
  3. Beneficios de las redes neurales artificiales
UNIDAD DIDÁCTICA 7. SOFTWARE PARA EL ÁREA DE GRÁFICOS EN LOS ALGORITMOS GENÉTICOS
  1. Intervalo de trazado
  2. Distancia, individuo, expectativa y rango
  3. Selección, detención, máxima violación y función personalizada
UNIDAD DIDÁCTICA 8. RESULTADOS DE LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Uso aleatorio de la corrida anterior
  2. Generación actual
  3. Estado y resultado
UNIDAD DIDÁCTICA 9. SOFTWARE PARA LA OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Tipos de la población
  2. Población inicial
  3. Puntuación inicial
UNIDAD DIDÁCTICA 10. ALTERNATIVAS DE OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Escala de la función de ajuste
  2. Función del escalamiento
  3. Reproducción, cruzamiento, mutación y migración

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. ALGORITMOS GENÉTICOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN EVOLUTIVA
  1. Evolución Natural y fundamentos biológicos para resolver problemas de optimización
  2. Métodos exactos y heurísticos para la resolución de problemas de optimización y búsqueda
  3. Programación Evolutiva y Estrategias de Evolución
  4. Modelos de evolución
  5. Evolución de programas, análisis de datos, predicción y aprendizaje
UNIDAD DIDÁCTICA 2. ALGORITMOS GENÉTICOS
  1. Reseña histórica
  2. Aplicaciones de los Algoritmos Genéticos
  3. Algoritmo Genético Tradicional: AG simple
  4. Funciones estándar de optimización y testeo
UNIDAD DIDÁCTICA 3. FUNDAMENTOS MATEMÁTICOS DE LOS ALGORITMOS GENÉTICOS
  1. Teorema de los esquemas
  2. La hipótesis de los building blocks
  3. Los roles de los operadores evolutivos
  4. Cruzamiento, mutación y convergencia prematura
UNIDAD DIDÁCTICA 4. TIPOS DE CRUZAMIENTO
  1. Cruzamiento de un punto
  2. Cruzamiento de dos puntos
  3. Cruzamiento uniforme
UNIDAD DIDÁCTICA 5. IMPLEMENTACIÓN DE ALGORITMOS GENÉTICOS
  1. Estructuras de datos
  2. Operaciones
  3. Resolviendo un problema: genotipo y fitness
  4. Escalado del fitness
  5. Discretización, restricciones y penalización
UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN
  1. Problemas de optimización
  2. Optimización continua
  3. Optimización combinatoria
UNIDAD DIDÁCTICA 7. TÉCNICAS AVANZADAS
  1. Genotipos no convencionales
  2. Dominancia, diploides y abyección
  3. Inversión y operadores de reordenamiento
  4. Micro operadores
  5. Nichos y especiación
UNIDAD DIDÁCTICA 8. ALGORITMOS GENÉTICOS DISTRIBUIDOS
  1. Hibridación
  2. Hibridación cuando sea posible
  3. Adaptación de los operadores genéticos
UNIDAD DIDÁCTICA 9. OTROS ALGORITMOS EVOLUTIVOS
  1. Algoritmos meméticos
  2. Variantes de AG: CHC, Mutation Or Selection
  3. AE para optimización multiobjetivo
UNIDAD DIDÁCTICA 10. ALGORITMOS GENÉTICOS Y PROCESAMIENTO PARALELO-DISTRIBUIDO
  1. Procesamiento paralelo-distribuido
  2. Paralelismo intrínseco y paralelismo explícito en los AG
  3. Modelos paralelos de AG y sus ventajas
  4. Paralelismo maestro-esclavo
  5. Modelo de subpoblaciones con migración
  6. Modelo celular

MÓDULO 7. LÓGICA DIFUSA

UNIDAD DIDÁCTICA 1. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Utilidad de la lógica difusa
  3. Limitaciones de la lógica difusa
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LA LÓGICA DIFUSA
  1. Variable lingüística
  2. Aplicaciones de la lógica difusa
  3. Reconocimiento y controladores
UNIDAD DIDÁCTICA 3. USO DE LA LÓGICA DIFUSA
  1. Sistema de control en lazo abierto
  2. Sistema de control en lazo cerrado
  3. Lógica difusa en la industria
UNIDAD DIDÁCTICA 4. LÓGICA BOOLEANA Y DIFUSA
  1. Elementos de la lógica booleana
  2. Elementos de la lógica difusa
  3. Relación entre la lógica booleana y difusa
UNIDAD DIDÁCTICA 5. USO DE LA LÓGICA BOOLEANA
  1. Axiomas de los conjuntos convencionales
  2. Operaciones en la lógica convencional
  3. Leyes de De Morgan
UNIDAD DIDÁCTICA 6. MANEJO DE LA LÓGICA DIFUSA
  1. Lógica simbólica
  2. Tautologías
  3. Representación de conjuntos difusos discretos
UNIDAD DIDÁCTICA 7. CONJUNTOS DIFUSOS
  1. Operaciones y propiedades de los conjuntos clásicos
  2. Operaciones y propiedades de los conjuntos difusos
  3. Comparación entre los conjuntos clásicos y difusos
UNIDAD DIDÁCTICA 8. USO DE LAS RELACIONES
  1. Producto Cartesiano
  2. Cardinalidad, operación y propiedades en las relaciones
  3. Composición
UNIDAD DIDÁCTICA 9. RELACIONES DIFUSAS
  1. Cardinalidad de las relaciones difusas
  2. Operaciones de las relaciones difusas
  3. Propiedades de las relaciones difusas
UNIDAD DIDÁCTICA 10. USO DE LAS RELACIONES DIFUSAS
  1. Producto cartesiano y composición difusa
  2. Tolerancia difusa y relaciones equivalentes
  3. Asignación de valores

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
  5. Ejemplo práctico

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. SISTEMAS EXPERTOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS SISTEMAS EXPERTOS
  1. Definición de Sistema Experto
  2. Diferencias entre sistemas convencional y experto
  3. Tipos de sistemas expertos
UNIDAD DIDÁCTICA 2. INFERENCIA
  1. Estado y Espacio de la Problemática
  2. Reglas de Inferencia en el Sistema
  3. Sistemas de resolución y deducción
UNIDAD DIDÁCTICA 3. INGENIERÍA DE CONOCIMIENTO
  1. ¿Qué es la Lógica de Predicados?
  2. Prototipado
  3. Implementación
UNIDAD DIDÁCTICA 4. DISEÑO DE SISTEMAS EXPERTOS
  1. Arquitectura de sistemas expertos
  2. Etapas en el Desarrollo de Sistemas Expertos
  3. Errores en el Desarrollo
UNIDAD DIDÁCTICA 5. HERRAMIENTAS DE DESARROLLO
  1. Diseño técnico
  2. Lenguajes para representación de conocimiento
  3. Herramientas avanzadas de desarrollo
UNIDAD DIDÁCTICA 6. LÓGICA MATEMÁTICA
  1. Matemática en Sistemas Expertos
  2. Cálculo Proposicional
  3. Predicados de Primer Orden
UNIDAD DIDÁCTICA 7. SISTEMAS EXPERTOS Y SISTEMAS BASADOS EN REGLAS DE PRODUCCIÓN
  1. Sistemas basados en reglas de producción
  2. Representación del conocimiento empleando reglas de producción
  3. Representaciones Relacionales
UNIDAD DIDÁCTICA 8. CÓMPUTO EVOLUTIVO
  1. Optimización
  2. Evolución
  3. Evaluación Genética
UNIDAD DIDÁCTICA 9. LÓGICA DIFUSA EN SISTEMAS EXPERTOS
  1. Representación del conocimiento difuso
  2. Razonamiento aproximado
  3. Inferencia y clasificación difusa
UNIDAD DIDÁCTICA 10. APLICACIONES
  1. Diseño
  2. Diagnóstico
  3. Planificación

MÓDULO 14. PROYECTO INTEGRADOR DE INTELIGENCIA ARTIFICIAL

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. INTRODUCCIÓN A MACHINE LEARNING Y DEEP LEARNING
  1. Conceptos Fundamentales de Machine Learnig
  2. Conceptos Fundamentales de Deeplearning
  3. Tipos de entrenamiento
UNIDAD DIDÁCTICA 5. LÓGICA DIFUSA
  1. Aplicaciones de Lógica Difusa
  2. Conceptos fundamentales
  3. Funciones Características
  4. Mecanismos de inferencia
UNIDAD DIDÁCTICA 6. REDES NEURONALES ARTIFICIALES (RNA)
  1. Aplicación de RNA
  2. Estructuras y/o topologías de red
  3. Tipos de entrenamiento
  4. Elección de RNA óptima
UNIDAD DIDÁCTICA 7. ALGORITMOS GENÉTICOS
  1. Aplicación de los algoritmos géneticos
  2. Conceptos fundamentales de computación evolutiva
  3. Algoritmos Genéticos
  4. Sistemas expertos y agentes inteligentes
UNIDAD DIDÁCTICA 8. SISTEMAS EXPERTOS Y AGENTES EVOLUTIVOS
  1. Aplicación de sistemas expertos
  2. Concepto de agentes evolutivos
  3. Implementación de Sistemas expertos
UNIDAD DIDÁCTICA 9. MINERÍA DE DATOS
  1. Procesamiento de Lenguaje Natural
  2. Evaluación de modelos
  3. Técnicas de Clustering
UNIDAD DIDÁCTICA 10. PRIVACIDAD Y PROTECCIÓN DE DATOS
  1. Sociología de la privacidad
  2. Cultura de la protección de datos
  3. Tecnología y privacidad

MÓDULO 15. FUNDAMENTOS DEL ANÁLISIS DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASE DE DATOS NOSQL, MONGODB
  1. ¿Qué es MongoDB?
  2. Funcionamiento y usos de MongoDB
  3. Primeros pasos con MongoDB: Instalación y Shell de comandos
  4. Creando nuestra primera base de datos NoSQL: Modelo e inserción de datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 5. PYTHON Y EL ANÁLISIS DE DATOS
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python Dream Team del Big Data
UNIDAD DIDÁCTICA 6. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 7. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 8. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 2. BIG DATA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. ECOSISTEMA HADOOP
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
UNIDAD DIDÁCTICA 6. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las salidas profesionales de esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos son las de analista de datos, ingeniero de datos, científico de datos, arquitecto de datos y director de datos. En general, todas las posiciones relacionadas con el uso de grandes cantidades de datos. Adquiere una formación avanzada y amplia tus fronteras.

. ¿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 Inteligencia Artificial. Especialización en Análisis de Datos

Duración: 1500
EURO635902faad3a7
Valoración: 4.6 /5 basada en 68 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial. Especialización en Análisis de Datos:

Con esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos podrás aprender a aplicar tecnologías de análisis de datos al campo de la inteligencia artificial y el big data. Se tendrá la posibilidad de estudiar los procesos que se llevan a cabo para el análisis de datos y para el data mining, además de conocer las herramientas utilizadas hoy en día para manejar grandes cantidades de datos.

A quién va dirigido:

Esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos está orientada a todo aquel que quiera iniciar en el mundo del análisis de datos, así como para aquellos que quieran aumentar sus conocimientos sobre este campo. Además, también está enfocado a trabajadores del sector de la inteligencia artificial que quieren especializarse en el análisis de datos.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial. Especialización en Análisis de Datos:

- Conocer el concepto de análisis de datos. - Conocer los diferentes tipos de bases de datos. - Aprender a utilizar las diferentes tecnologías que hay detrás del análisis de datos. - Descubrir el lenguaje SQL y conocer su uso para bases de datos. - Comprender el funcionamiento del big data.

Salidas Laborales:

Las salidas profesionales de esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos son las de analista de datos, ingeniero de datos, científico de datos, arquitecto de datos y director de datos. En general, todas las posiciones relacionadas con el uso de grandes cantidades de datos. Adquiere una formación avanzada y amplia tus fronteras.

 

Resumen:

En las últimas décadas se han dado importantes cambios en el mundo de la inteligencia artificial, y es que la rapidez y habilidad con la que trabajan las máquinas realizando tareas humanas es realmente impresionante. Gracias a esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos podrás conocer de primera mano las características clave de esta tecnología y las ventajas que ofrece. Cuando se haya finalizado, el alumno tendrá conocimientos para aplicar el análisis de datos al campo de la inteligencia artificial. Por último, el alumno tendrá la posibilidad de aprender a controlar grandes cantidades de datos con el estudio de Big Data que ayudarán al proceso de aprendizaje automático de las máquinas.

Titulación:

Doble Titulación: - Titulación de Maestría en Inteligencia Artificial. Especialización en Análisis de Datos con 1500 horas expedida por Euroinnova International Online Education. - Titulación Oficial de Maestría en Inteligencia Artificial por la Universidad UDAVINCI con el Reconocimiento de Validez Oficial de Estudios (RVOE)

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. INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL
  1. Características de la inteligencia
  2. Uso de la inteligencia artificial
  3. Ventajas de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ANTECEDENTES DE LA INTELIGENCIA ARTIFICIAL
  1. Historia de la inteligencia artificial
  2. Factores de la inteligencia artificial
  3. Evolución de la inteligencia artificial
UNIDAD DIDÁCTICA 3. RAMAS DE LA INTELIGENCIA ARTIFICIAL
  1. Lógica difusa
  2. Redes neurales artificiales
  3. Algoritmos genéticos
UNIDAD DIDÁCTICA 4. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Características de la lógica difusa
  3. Beneficios de la lógica difusa
UNIDAD DIDÁCTICA 5. MANEJO DE LA LÓGICA DIFUSA
  1. Uso de la lógica difusa
  2. Aplicaciones de la lógica difusa
  3. Ventajas de la lógica difusa en la industria
UNIDAD DIDÁCTICA 6. REDES NEURALES ARTIFICIALES
  1. Historia de las redes neurales artificiales
  2. Características de las redes neurales artificiales
  3. Beneficios de las redes neurales artificiales
UNIDAD DIDÁCTICA 7. SOFTWARE PARA EL ÁREA DE GRÁFICOS EN LOS ALGORITMOS GENÉTICOS
  1. Intervalo de trazado
  2. Distancia, individuo, expectativa y rango
  3. Selección, detención, máxima violación y función personalizada
UNIDAD DIDÁCTICA 8. RESULTADOS DE LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Uso aleatorio de la corrida anterior
  2. Generación actual
  3. Estado y resultado
UNIDAD DIDÁCTICA 9. SOFTWARE PARA LA OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Tipos de la población
  2. Población inicial
  3. Puntuación inicial
UNIDAD DIDÁCTICA 10. ALTERNATIVAS DE OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Escala de la función de ajuste
  2. Función del escalamiento
  3. Reproducción, cruzamiento, mutación y migración

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. ALGORITMOS GENÉTICOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN EVOLUTIVA
  1. Evolución Natural y fundamentos biológicos para resolver problemas de optimización
  2. Métodos exactos y heurísticos para la resolución de problemas de optimización y búsqueda
  3. Programación Evolutiva y Estrategias de Evolución
  4. Modelos de evolución
  5. Evolución de programas, análisis de datos, predicción y aprendizaje
UNIDAD DIDÁCTICA 2. ALGORITMOS GENÉTICOS
  1. Reseña histórica
  2. Aplicaciones de los Algoritmos Genéticos
  3. Algoritmo Genético Tradicional: AG simple
  4. Funciones estándar de optimización y testeo
UNIDAD DIDÁCTICA 3. FUNDAMENTOS MATEMÁTICOS DE LOS ALGORITMOS GENÉTICOS
  1. Teorema de los esquemas
  2. La hipótesis de los building blocks
  3. Los roles de los operadores evolutivos
  4. Cruzamiento, mutación y convergencia prematura
UNIDAD DIDÁCTICA 4. TIPOS DE CRUZAMIENTO
  1. Cruzamiento de un punto
  2. Cruzamiento de dos puntos
  3. Cruzamiento uniforme
UNIDAD DIDÁCTICA 5. IMPLEMENTACIÓN DE ALGORITMOS GENÉTICOS
  1. Estructuras de datos
  2. Operaciones
  3. Resolviendo un problema: genotipo y fitness
  4. Escalado del fitness
  5. Discretización, restricciones y penalización
UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN
  1. Problemas de optimización
  2. Optimización continua
  3. Optimización combinatoria
UNIDAD DIDÁCTICA 7. TÉCNICAS AVANZADAS
  1. Genotipos no convencionales
  2. Dominancia, diploides y abyección
  3. Inversión y operadores de reordenamiento
  4. Micro operadores
  5. Nichos y especiación
UNIDAD DIDÁCTICA 8. ALGORITMOS GENÉTICOS DISTRIBUIDOS
  1. Hibridación
  2. Hibridación cuando sea posible
  3. Adaptación de los operadores genéticos
UNIDAD DIDÁCTICA 9. OTROS ALGORITMOS EVOLUTIVOS
  1. Algoritmos meméticos
  2. Variantes de AG: CHC, Mutation Or Selection
  3. AE para optimización multiobjetivo
UNIDAD DIDÁCTICA 10. ALGORITMOS GENÉTICOS Y PROCESAMIENTO PARALELO-DISTRIBUIDO
  1. Procesamiento paralelo-distribuido
  2. Paralelismo intrínseco y paralelismo explícito en los AG
  3. Modelos paralelos de AG y sus ventajas
  4. Paralelismo maestro-esclavo
  5. Modelo de subpoblaciones con migración
  6. Modelo celular

MÓDULO 7. LÓGICA DIFUSA

UNIDAD DIDÁCTICA 1. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Utilidad de la lógica difusa
  3. Limitaciones de la lógica difusa
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LA LÓGICA DIFUSA
  1. Variable lingüística
  2. Aplicaciones de la lógica difusa
  3. Reconocimiento y controladores
UNIDAD DIDÁCTICA 3. USO DE LA LÓGICA DIFUSA
  1. Sistema de control en lazo abierto
  2. Sistema de control en lazo cerrado
  3. Lógica difusa en la industria
UNIDAD DIDÁCTICA 4. LÓGICA BOOLEANA Y DIFUSA
  1. Elementos de la lógica booleana
  2. Elementos de la lógica difusa
  3. Relación entre la lógica booleana y difusa
UNIDAD DIDÁCTICA 5. USO DE LA LÓGICA BOOLEANA
  1. Axiomas de los conjuntos convencionales
  2. Operaciones en la lógica convencional
  3. Leyes de De Morgan
UNIDAD DIDÁCTICA 6. MANEJO DE LA LÓGICA DIFUSA
  1. Lógica simbólica
  2. Tautologías
  3. Representación de conjuntos difusos discretos
UNIDAD DIDÁCTICA 7. CONJUNTOS DIFUSOS
  1. Operaciones y propiedades de los conjuntos clásicos
  2. Operaciones y propiedades de los conjuntos difusos
  3. Comparación entre los conjuntos clásicos y difusos
UNIDAD DIDÁCTICA 8. USO DE LAS RELACIONES
  1. Producto Cartesiano
  2. Cardinalidad, operación y propiedades en las relaciones
  3. Composición
UNIDAD DIDÁCTICA 9. RELACIONES DIFUSAS
  1. Cardinalidad de las relaciones difusas
  2. Operaciones de las relaciones difusas
  3. Propiedades de las relaciones difusas
UNIDAD DIDÁCTICA 10. USO DE LAS RELACIONES DIFUSAS
  1. Producto cartesiano y composición difusa
  2. Tolerancia difusa y relaciones equivalentes
  3. Asignación de valores

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
  5. Ejemplo práctico

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. SISTEMAS EXPERTOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS SISTEMAS EXPERTOS
  1. Definición de Sistema Experto
  2. Diferencias entre sistemas convencional y experto
  3. Tipos de sistemas expertos
UNIDAD DIDÁCTICA 2. INFERENCIA
  1. Estado y Espacio de la Problemática
  2. Reglas de Inferencia en el Sistema
  3. Sistemas de resolución y deducción
UNIDAD DIDÁCTICA 3. INGENIERÍA DE CONOCIMIENTO
  1. ¿Qué es la Lógica de Predicados?
  2. Prototipado
  3. Implementación
UNIDAD DIDÁCTICA 4. DISEÑO DE SISTEMAS EXPERTOS
  1. Arquitectura de sistemas expertos
  2. Etapas en el Desarrollo de Sistemas Expertos
  3. Errores en el Desarrollo
UNIDAD DIDÁCTICA 5. HERRAMIENTAS DE DESARROLLO
  1. Diseño técnico
  2. Lenguajes para representación de conocimiento
  3. Herramientas avanzadas de desarrollo
UNIDAD DIDÁCTICA 6. LÓGICA MATEMÁTICA
  1. Matemática en Sistemas Expertos
  2. Cálculo Proposicional
  3. Predicados de Primer Orden
UNIDAD DIDÁCTICA 7. SISTEMAS EXPERTOS Y SISTEMAS BASADOS EN REGLAS DE PRODUCCIÓN
  1. Sistemas basados en reglas de producción
  2. Representación del conocimiento empleando reglas de producción
  3. Representaciones Relacionales
UNIDAD DIDÁCTICA 8. CÓMPUTO EVOLUTIVO
  1. Optimización
  2. Evolución
  3. Evaluación Genética
UNIDAD DIDÁCTICA 9. LÓGICA DIFUSA EN SISTEMAS EXPERTOS
  1. Representación del conocimiento difuso
  2. Razonamiento aproximado
  3. Inferencia y clasificación difusa
UNIDAD DIDÁCTICA 10. APLICACIONES
  1. Diseño
  2. Diagnóstico
  3. Planificación

MÓDULO 14. PROYECTO INTEGRADOR DE INTELIGENCIA ARTIFICIAL

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. INTRODUCCIÓN A MACHINE LEARNING Y DEEP LEARNING
  1. Conceptos Fundamentales de Machine Learnig
  2. Conceptos Fundamentales de Deeplearning
  3. Tipos de entrenamiento
UNIDAD DIDÁCTICA 5. LÓGICA DIFUSA
  1. Aplicaciones de Lógica Difusa
  2. Conceptos fundamentales
  3. Funciones Características
  4. Mecanismos de inferencia
UNIDAD DIDÁCTICA 6. REDES NEURONALES ARTIFICIALES (RNA)
  1. Aplicación de RNA
  2. Estructuras y/o topologías de red
  3. Tipos de entrenamiento
  4. Elección de RNA óptima
UNIDAD DIDÁCTICA 7. ALGORITMOS GENÉTICOS
  1. Aplicación de los algoritmos géneticos
  2. Conceptos fundamentales de computación evolutiva
  3. Algoritmos Genéticos
  4. Sistemas expertos y agentes inteligentes
UNIDAD DIDÁCTICA 8. SISTEMAS EXPERTOS Y AGENTES EVOLUTIVOS
  1. Aplicación de sistemas expertos
  2. Concepto de agentes evolutivos
  3. Implementación de Sistemas expertos
UNIDAD DIDÁCTICA 9. MINERÍA DE DATOS
  1. Procesamiento de Lenguaje Natural
  2. Evaluación de modelos
  3. Técnicas de Clustering
UNIDAD DIDÁCTICA 10. PRIVACIDAD Y PROTECCIÓN DE DATOS
  1. Sociología de la privacidad
  2. Cultura de la protección de datos
  3. Tecnología y privacidad

MÓDULO 15. FUNDAMENTOS DEL ANÁLISIS DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASE DE DATOS NOSQL, MONGODB
  1. ¿Qué es MongoDB?
  2. Funcionamiento y usos de MongoDB
  3. Primeros pasos con MongoDB: Instalación y Shell de comandos
  4. Creando nuestra primera base de datos NoSQL: Modelo e inserción de datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 5. PYTHON Y EL ANÁLISIS DE DATOS
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python Dream Team del Big Data
UNIDAD DIDÁCTICA 6. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 7. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 8. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 2. BIG DATA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. ECOSISTEMA HADOOP
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
UNIDAD DIDÁCTICA 6. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las salidas profesionales de esta Maestría en Inteligencia Artificial en Especialización en Análisis de Datos son las de analista de datos, ingeniero de datos, científico de datos, arquitecto de datos y director de datos. En general, todas las posiciones relacionadas con el uso de grandes cantidades de datos. Adquiere una formación avanzada y amplia tus fronteras.

. ¿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 *