1. ¿Qué es Big Data?
  2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
  3. El gran auge del big data
  4. La importancia de almacenar y extraer información
  5. ¿Cual es el papel de las fuentes de datos?
  6. Soluciones novedosas gracias a la selección de datos
  7. Naturaleza de las fuentes de datos Big Data

  1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
  2. Fases en un proyecto de Big Data
  3. Big Data enfocado a los negocios
  4. Apoyo del Big Data en el proceso de toma de decisiones
  5. Toma de decisiones operativas

  1. Marketing estratégico y Big Data
  2. Open data
  3. Ejemplo de uso de Open Data
  4. IoT (Internet of Things-Internet de las cosas)

  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Big Data en salud
  5. Necesidad de Big Data en la asistencia sanitaria
  6. Retos del big data en salud
  7. Big Data y People Analytics en RRHH

  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas Operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence

  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)

  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de Textos y Web Mining
  6. Data mining y marketing

  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP
  3. Bases de Datos OLAP
  4. MOLAP, ROLAP & HOLAP
  5. Herramientas para el desarrollo de cubos OLAP

  1. Visión General: ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube

  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras

  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?

  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

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos

  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional

  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

  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso 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

  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos

  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos

  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau

  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3

  1. Visualización de datos
  2. Tipologías de gráficos
  3. Fuentes de datos
  4. Creación de informes

  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos

  1. Introducción a Power BI
  2. Instalación de Power BI
  3. Modelado de datos
  4. Visualización de datos
  5. Dashboards
  6. Uso compartido de datos

  1. CartoDB
  2. ¿Qué es CARTO?
  3. Carga y uso de datos. Tipos de análisis
  4. Programación de un visor con la librería CARTO.js
  5. Uso de ejemplos y ayudas de la documentación de la API

  1. Introducción, concepto y funciones de la estadística
  2. Estadística descriptiva
  3. Estadística inferencial
  4. Medición y escalas de medida
  5. Variables: clasificación y notación
  6. Distribución de frecuencias
  7. Representaciones gráficas
  8. Propiedades de la distribución de frecuencias
  9. Medidas de posición
  10. Medidas de dispersión
  11. Medidas de forma
  12. Curva de Lorenz, coeficiente de Gini e índice de Theil

  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal

  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

  1. Conceptos previos
  2. Métodos de muestreo
  3. Principales indicadores

  1. Introducción a las hipótesis estadísticas
  2. Contraste de hipótesis
  3. Contraste de hipótesis paramétrico
  4. Tipologías de error
  5. Contrastes no paramétricos

  1. Introducción a los modelos de regresión
  2. Modelos de regresión: aplicabilidad
  3. Variables a introducir en el modelo de regresión
  4. Construcción del modelo de regresión
  5. Modelo de regresión lineal
  6. Modelo de regresión logística
  7. Factores de confusión
  8. Interpretación de los resultados de los modelos de regresión

  1. Estadística no paramétrica. Conceptos básicos
  2. Características de las pruebas
  3. Ventajas y desventajas del uso de métodos no paramétricos
  4. Identificación de las diferentes pruebas no paramétricas

  1. Pruebas no paramétricas para una muestra
  2. Chi-cuadrado o ji-cuadrado
  3. Prueba de Kolmogorov-Smirnov para una muestra
  4. Prueba binomial
  5. Prueba de rachas

  1. Prueba de los signos
  2. Prueba del rango con signo de Wilcoxon
  3. Prueba de McNemar

  1. Pruebas para k muestras relacionadas
  2. Prueba de Cochran
  3. Prueba de Friedman
  4. Coeficiente de concordancia de W de Kendall

  1. Pruebas para dos muestras independientes
  2. Prueba U de Mann Whitney
  3. Prueba de Wald-Wolfowitz
  4. Prueba de reacciones extremas de Moses
  5. Prueba de Kolmogorov-Smirnov para dos muestras

  1. Pruebas no paramétricas para K muestras independientes
  2. Prueba de la mediana
  3. Prueba H de Kruskal-Wallis
  4. Prueba de Jonckheere-Terpstra

  1. Introducción a Python
  2. Características y aplicaciones
  3. Instalación de Python
  4. Configuración de un entorno de desarrollo

  1. Sintaxis básica de Python
  2. Variables y tipos de datos
  3. Operadores y expresiones
  4. Uso de comentarios

  1. Introducción al control de flujo
  2. Estructuras condicionales (if, elif, else)
  3. Bucles (for y while)
  4. Control de bucles (break y continue)

  1. Listas y tuplas
  2. Conjuntos: colecciones únicas
  3. Diccionarios: pares clave-valor
  4. Pilas: concepto y operaciones
  5. Colas: implementación y uso

  1. Definición y llamada de funciones
  2. Parámetros y argumentos
  3. Retorno de valores
  4. Ámbito de las variables
  5. Módulos y organización del código

  1. Conceptos de programación orientada a objetos
  2. Creación de clases y objetos
  3. Atributos y métodos
  4. Encapsulación y visibilidad
  5. Constructores y destructores

  1. Introducción a ficheros
  2. Lectura y escritura de archivos
  3. Manejo de rutas de archivos
  4. Entrada y salida estándar
  5. Formateo de texto

  1. Herencia y clases base
  2. Sobreescritura de métodos
  3. Polimorfismo e interfaces
  4. Excepciones y manejo de errores

  1. Introducción a interfaces gráficas
  2. Configuración de Tkinter
  3. Creación de widgets y ventanas
  4. Manejo de eventos y callbacks

  1. Introducción a bases de datos SQLite
  2. Creación y conexión a bases de datos
  3. Consultas SQL básicas
  4. Inserción, actualización y eliminación de datos

  1. Metaprogramación
  2. Funciones lambda
  3. Iteradores
  4. Decoradores
  5. Generadores y expresiones generadoras

  1. Importancia del testing y la documentación
  2. Uso de pruebas unitarias
  3. Documentación de código con docstrings
  4. Generación de documentación automática

  1. Identificar soluciones de IA y ML para problemas empresariales
  2. Formular un problema de aprendizaje automático
  3. Seleccionar Enfoques para el Aprendizaje Automático

  1. Recopilar datos
  2. Transformar datos
  3. Diseñar características
  4. Trabajar con datos no estructurados

  1. Entrenar un modelo de aprendizaje automático
  2. Evaluar y ajustar un modelo de aprendizaje automático

  1. Construir Modelos de Regresión Utilizando Álgebra Lineal
  2. Construcción de modelos de regresión lineal regularizados
  3. Construcción de modelos de regresión lineal iterativos

  1. Construcción de modelos de series temporales univariantes
  2. Construcción de modelos de series temporales multivariantes

  1. Entrenar modelos de clasificación binaria mediante regresión logística
  2. Entrenar modelos de clasificación binaria mediante k-Nearest Neighbors
  3. Entrenar modelos de clasificación multiclase
  4. Evaluación de modelos de clasificación
  5. Ajuste de modelos de clasificación

  1. Construir Modelos de Agrupación k-Means
  2. Construcción de modelos de agrupación jerárquica

  1. Construcción de modelos de árboles de decisión
  2. Construcción de modelos de bosques aleatorios

  1. Construcción de modelos SVM para clasificación
  2. Construcción de modelos SVM para regresión

  1. Construir Perceptrones Multicapa (MLP)
  2. Construir redes neuronales convolucionales (CNN)
  3. Construir redes neuronales recurrentes (RNN)

  1. Despliegue de modelos de aprendizaje automático
  2. Automatizar el Proceso de Aprendizaje Automático con MLOps
  3. Integrar Modelos en Sistemas de Aprendizaje Automático

  1. Proteger los pipelines de aprendizaje automático
  2. Mantener modelos en producción

  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN

  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN

  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)

  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático

  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés

  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafíos para los Chatbots

  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA

  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

  1. La visión artificial: definiciones y aspectos principales

  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware

  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software

  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)

  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV

  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo

  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen

  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching

  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color

  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas

  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)