Shop

Este módulo profundiza en los ambientes de automatización de Transformación Digital mediante la exploración de las tecnologías contemporáneas clave utilizadas para construir soluciones de automatización de Transformación Digital, incluyendo IA, RPA, IoT, Machine Learning, Blockchain, Computación en la Nube y Big Data.

El módulo comienza estableciendo las formas básicas de ingesta de datos utilizadas para ingresar datos a las organizaciones para su uso por parte de tecnologías de ciencia de datos que proporcionan inteligencia de datos aumentada para las personas encargadas de la toma de decisiones y las soluciones impulsadas por IA con capacidad de toma de decisiones automatizada.

Tras cubrir cada una de las tecnologías principales de Transformación Digital, el módulo concluye con una descripción integral paso a paso de un proceso de negocio tal como es llevado a cabo por una solución de Transformación Digital centrada en el cliente. 

Se cubren los siguientes temas principales:

• Fundamentos del diseño de soluciones distribuidas
• Fundamentos de la ingesta de datos, incluyendo File Pull, File Push, API Pull, API Push y Flujo de datos
• Introducción a las tecnologías de automatización de transformación digital
• Fundamentos de computación en la nube y la computación en la nube como parte de las soluciones de transformación digital
• Riesgos y retos comunes de la computación en la nube
• Fundamentos de blockchain y blockchain como parte de las soluciones de transformación digital
• Riesgos y retos comunes de blockchain
• Fundamentos del internet de las cosas (IoT) y IoT como parte de las soluciones de transformación digital
• Riesgos y retos comunes de IoT
• La automatización robótica de procesos (RPA) y RPA como parte de las soluciones de transformación digital
• Riesgos y retos comunes de RPA
• Introducción a las tecnologías de la ciencia de datos de transformación digital
• Big Data y analíticas de datos, y Big Data como parte de las soluciones de transformación digital
• Riesgos y retos comunes de Big Data
• Fundamentos de Machine Learning y Machine Learning como parte de las soluciones de transformación digital
• Riesgos y retos comunes de Machine Learning
• Fundamentos de inteligencia artificial (IA) e IA como parte de las soluciones de transformación digital
• Riesgos y retos comunes de IA
• Dentro de una solución de transformación digital centrada en el cliente (una exploración completa, paso a paso)
• Cómo relacionar las tecnologías individuales de transformación digital con el procesamiento de soluciones
• Seguimiento a la manera en que se recopila y utiliza la inteligencia de datos en una solución de transformación digital

Este módulo de fundamentos proporciona una descripción general de los temas esenciales de la ciencia de Big Data y explora varias de las prácticas, tecnologías y herramientas contemporáneas de análisis más relevantes para los ambientes de Big Data. Los temas incluyen las funciones y características de análisis comunes ofrecidas por las soluciones de Big Data, así como una exploración del ciclo de vida del análisis de Big Data.

Se cubren los siguientes temas principales:

• Cómo entender Big Data
• Terminología y conceptos fundamentales
• Factores tecnológicos y de negocio de Big Data
• Características de los datos en los ambientes de Big Data
• Tipos de conjuntos de datos en los ambientes de Big Data
• Análisis y analíticas fundamentales
• Inteligencia de negocios y Big Data
• Visualización de datos y Big Data
• El ciclo de vida del análisis de Big Data
• Pruebas A/B, Correlación, Regresión
• Análisis de series temporales, Mapas de calor
• Análisis de redes, análisis espacial de datos
• Clasificación, agrupamiento
• Filtrado (incluyendo filtrado colaborativo y filtrado basado en contenidos)
• Análisis de sentimientos, analítica de textos

Este módulo proporciona una descripción general fácil de entender del Machine Learning para cualquier interesado en cómo funciona, qué puede y qué no puede hacer, y cómo se utiliza comúnmente en apoyo de las metas de negocio. El módulo cubre los tipos de algoritmos comunes y además explica cómo funcionan los sistemas de Machine Learning tras bambalinas. Los materiales básicos del módulo se acompañan con un suplemento informativo que cubre diversos algoritmos y prácticas comunes.

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de Machine Learning
• Beneficios y retos de Machine Learning
• Escenarios de uso de Machine Learning
• Conjuntos de datos, datos estrucutrados, no estructurados y semiestructurados
• Modelos, algoritmos, aprendizaje y entrenamiento de modelos
• Cómo funciona el Machine Learning
• Recopilación y preprocesamiento de datos de entrenamiento
• Selección de algoritmos y modelos
• Entrenamiento de modelos y despliegue de modelos entrenados
• Algoritmos y prácticas de Machine Learning
• Aprendizaje supervisado, clasificación, árbol de decisiones
• Regresión, métodos de ensamble, reducción de dimensiones
• Aprendizaje no supervisado y agrupamiento
• Aprendizaje semisupervisado y por refuerzo
• Mejores prácticas de Machine Learning
• Cómo funcionan los sistemas de Machine Learning
• Mecanismos comunes de Machine Learning
• Cómo se utilizan los mecanismos en el entrenamiento de modelos
• Machine Learning y Deep Learning, Inteligencia artificial (IA)

Este módulo ilustra cómo se puede utilizar y aplicar la IA predictiva en una gama de aplicaciones empresariales y proporciona una cobertura esencial de las prácticas y los sistemas de IA predictiva. El módulo explora los enfoques de aprendizaje y las áreas funcionales más comunes para las que se utilizan los sistemas de IA. Todo el contenido está escrito en español sencillo y fácil de entender. 

Se cubren los siguientes temas principales:

• Factores de negocio y tecnológicos de la IA predictiva
• Beneficios de la IA predictiva
• Riesgos y retos comunes del uso de la IA predictiva
• Categorías de problemas empresariales que aborda la IA
• Tipos de IA predictiva
• Enfoques de aprendizaje comunes de la IA predictiva
• Cómo entender el aprendizaje y el entrenamiento de modelos de IA predictiva
• Proceso del ciclo de entrenamiento paso a paso
• Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje continuo
• Aprendizaje heurístico, Aprendizaje semisupervisado, Aprendizaje por refuerzo
• Diseños funcionales comunes de IA predictiva, Visión computarizada, Reconocimiento de patrones
• Robótica, Procesamiento del lenguaje natural (PLN)
• Reconocimiento del habla, Comprensión del lenguaje natural (CLN)
• Cómo entender los modelos de IA y las redes neuronales