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 integral, 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

Este módulo explora la aplicación de la IA generativa en una gama de escenarios empresariales y ofrece una cobertura fundamental de los conceptos, modelos, mejores prácticas y redes neuronales de la IA generativa, incluyendo los modelos de Redes Generativas Adversariales (GANs), Autocodificadores Variacionales (VAEs) y Transformadores. 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 generativa
• Beneficios de la IA generativa
• Riesgos y retos comunes del uso de la IA generativa
• Categorías de problemas empresariales que aborda la IA generativa
• Cómo entender los modelos, los algoritmos y las redes neuronales
• Tipos de IA generativa
• Entrenamiento de modelos generativos y cómo entender el ciclo de entrenamiento
• Cómo entender las Redes Generativas Adversariales (GANs)
• Cómo entender los Autocodificadores Variacionales (VAEs)
• Cómo entender los Transformadores
• Pasos para construir sistemas de IA
• Buenas prácticas de la IA generativa

Este módulo proporciona una visión a profundidad de las áreas temáticas esenciales y avanzadas relacionadas con las técnicas de ciencia de datos y análisis relevantes y exclusivas de Big Data, con énfasis en la forma en que el análisis y las analíticas deben llevarse a cabo individual y colectivamente para apoyar las características, requerimientos y retos particulares asociados con los conjuntos de datos de Big Data.

Se cubren los siguientes temas principales:

• Análisis exploratorio de datos, estadísticas esenciales, incluyendo las categorías de variables y las matemáticas relevantes
• Análisis de estadísticas, incluyendo descriptiva, inferencial, covarianza, prueba de hipótesis, etc.
• Medidas de variación o dispersión, rango intercuartil y valores atípicos, puntuación Z, etc.
• Probabilidad, frecuencia, estimadores estadísticos, intervalo de confianza, etc.
• Variables y notaciones matemáticas básicas, medidas estadísticas e inferencia estadística
• Análisis confirmatorio de datos (CDA)
• Discretización de datos, Binning y agrupamiento
• Técnicas de visualización, incluyendo gráfica de barra, gráfica de línea, histrograma, polígonos de frecuencia, etc.
• Regresión lineal de predicción, error cuadrático medio y coeficiente de determinación R2, etc.
• Resúmenes numéricos, modelado, evaluación de modelos, ajuste de modelos y sobreajuste de modelos
• Modelos estadísticos, medidas de evaluación de modelos
• Validación cruzada, varianza del sesgo, matriz de confusión y puntuación F
• Reglas de asociación y algoritmo apriori 
• Reducción de datos, selección dimensional de características
• Extracción de características, discretización de datos (Binning y agrupamiento)
• Paramétrico vs. no paramétrico, agrupamiento vs. no agrupamiento
• Basado en distancia, supervisado vs. semisupervisado
• Regresión lineal y regresión logística para Big Data
• Regresión de logísticas, Naïve Bayes, Suavizado de Laplace, etc.
• Árboles de decisiones para Big Data
• Identificación de patrones, reglas de asociación, algoritmo apriori
• Análisis de series temporales, tendencia, estacionalidad, K vecinos cercanos (kNN), K-medias
• Analíticas de textos para Big Data y detección de atípicos para Big Data
• Técnicas de estadísticas, basadas en distancia, supervisadas y semisupervisadas

Este módulo profundiza en la amplia variedad de algoritmos, métodos y modelos de las prácticas contemporáneas de Machine Learning para explorar cómo se pueden resolver una serie de diferentes problemas de negocio utilizando y combinando técnicas probadas de Machine Learning.

Se cubren los siguientes temas principales:

• Patrones de exploración de datos
• Cálculo de tendencia central, cálculo de variabilidad
• Cálculo de asociatividad, cálculo de resumen gráfico
• Patrones de reducción de datos
• Selección de características, extracción de características
• Patrones de manipulación de datos
• Imputación de características, codificación de características
• Discretización de características, estandarización de características
• Patrones de aprendizaje supervisado
• Predicción numérica, predicción de categorías
• Patrones de aprendizaje no supervisado
• Descubrimiento de categorías, descubrimiento de patrones
• Patrones de evaluación de modelos, modelado de referencia
• Evaluación del desempeño de entrenamiento, evaluación del desempeño de predicción
• Patrones de optimización de modelos
• Aprendizaje conjunto, reentrenamiento frecuente del modelo
• Implementación de modelos ligeros, aprendizaje incremental del modelo

Este módulo profundiza en cómo funcionan los sistemas de IA predictiva mediante la exploración de técnicas comunes de aprendizaje, procesamiento y manipulación de datos, y gestión del rendimiento de los sistemas de IA. El módulo no cubre fórmulas matemáticas ni programación y está dirigido a profesionales de TI en general.

Se cubren los siguientes temas principales:

• Cómo entender el aprendizaje supervisado
• Cómo entender el aprendizaje no supervisado
• Técnicas y procesos analíticos esenciales
• Introducción a la Codificación de características y la Imputación de características
• Introducción a la Reducción de la dimensionalidad
• Introducción a la Gestión de datos
• Introducción a la Evaluación de modelos y la Evaluación del rendimiento del entrenamiento
• Introducción al Modelado de referencia y la Optimización de modelos
• Introducción a la Prevención del sobreajuste
• Introducción al Aprendizaje por transferencia

Este módulo profundiza en cómo funcionan los sistemas de IA predictiva mediante la exploración de técnicas comunes de aprendizaje, procesamiento y manipulación de datos, y gestión del rendimiento de los sistemas de IA. El módulo no cubre fórmulas matemáticas ni programación y está dirigido a profesionales de TI en general.

Se cubren los siguientes temas principales:

• Cómo entender el aprendizaje supervisado
• Cómo entender el aprendizaje no supervisado
• Técnicas y procesos analíticos esenciales
• Introducción a la Codificación de características y la Imputación de características
• Introducción a la Reducción de la dimensionalidad
• Introducción a la Gestión de datos
• Introducción a la Evaluación de modelos y la Evaluación del rendimiento del entrenamiento
• Introducción al Modelado de referencia y la Optimización de modelos
• Introducción a la Prevención del sobreajuste
• Introducción al Aprendizaje por transferencia