Fundamentos de Business Intelligence (aprox. 2 días)

Campos de aplicación, dimensiones de una arquitectura BI

Fundamentos de la inteligencia empresarial, OLAP, OLTP, tareas de los ingenieros de datos

Data Warehousing (DWH): tratamiento y procesamiento de datos estructurados, semiestructurados y no estructurados

Gestión de requisitos (aprox. 2 días)

Tareas, objetivos y procedimientos en el análisis de requisitos

Modelización de datos, introducción/modelización con ERM

Introducción/modelado en UML

- Diagramas de clases

- Análisis de casos de uso

- Diagramas de actividad

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Bases de datos (aprox. 3 días)

Conceptos básicos de los sistemas de bases de datos

Arquitectura de los sistemas de gestión de bases de datos

Aplicación de RDBMS

Implementación del modelo de datos en RDBMS, formas normales

Introducción práctica y teórica a SQL

Límites de las bases de datos relacionales, csv, json

Almacén de datos (aprox. 4 días)

Esquema en estrella

Modelado de datos

Creación de Star Schema en RDBMS

Snowflake Schema, fundamentos, modelado de datos

Creación de Snowflake Schema en RDBMS

Galaxy Schema: Conceptos básicos, modelado de datos

Modificación Lenta de Tablas de Dimensión Tipo 1 a 5 - Restauración, Apilamiento, Reorganización, mini Dimensión y Tipo 5

Introducción a las dimensiones normales, causales, mini y monstruosas, heterogéneas y subdimensiones

Comparación de las orientadas al estado y a la transacción

Tablas de hechos DWH, densidad y almacenamiento

ETL (aprox. 4 días)

Limpieza de datos

- Valores nulos

- Preparación de datos

- Armonización de datos

- Aplicación de expresiones regulares

Comprensión de datos

- Validación de datos

- Análisis estadístico de datos

Protección y seguridad de los datos

Estructura práctica de las rutas ETL

Data Vault 2.0, conceptos básicos, hubs, enlaces, satélites, hash key, hash diff.

Modelización de datos Data Vault

Estructura práctica de un modelo Data Vault - Raw Vault, aplicación práctica de procedimientos hash

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje automático (aprox. 5 días)

¿Por qué aprendizaje automático?

Ejemplos de aplicación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo

Ejemplos de conjuntos de datos

Conocer los datos

Datos de entrenamiento, validación y prueba

Visualización de datos

Hacer predicciones

Aprendizaje supervisado (aprox. 5 días)

Clasificación y regresión

Generalización, ajuste excesivo y ajuste insuficiente

Tamaño del conjunto de datos

Algoritmos de aprendizaje supervisado

Modelos lineales

Clasificadores Bayes

Árboles de decisión

Bosque aleatorio

Impulso por gradiente

k-vecinos más cercanos

Máquinas de vectores soporte

Campo aleatorio condicional

Redes neuronales y aprendizaje profundo

Probabilidades

Aprendizaje no supervisado (aprox. 5 días)

Tipos de aprendizaje no supervisado

Preprocesamiento y escalado

Transformaciones de datos

Escalado de datos de entrenamiento y de prueba

Reducción dimensional

Ingeniería de características

Aprendizaje múltiple

Descomposición de componentes principales (PCA)

Factorización de matrices no negativas (NMF)

Aprendizaje múltiple con t-SNE

Análisis de clústeres

Agrupación de k-Means

Agrupación por conglomerados

Análisis jerárquico de conglomerados

DBSCAN

Algoritmos de clúster

Evaluación y mejora (aprox. 2 días)

Selección y evaluación de modelos

Ajuste de los hiperparámetros de un estimador

Validación cruzada

Búsqueda en cuadrícula

Métricas de evaluación

Clasificación

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje profundo (aprox. 1 día)

El aprendizaje profundo como tipo de aprendizaje automático

Fundamentos de las redes neuronales (aprox. 4 días)

Perceptrón

Cálculo de redes neuronales

Optimización de los parámetros del modelo, backpropagation

Bibliotecas de aprendizaje profundo

Regresión frente a clasificación

Curvas de aprendizaje, sobreajuste y regularización

Optimización de hiperparámetros

Descenso de gradiente estocástico (SGD)

Momentum, optimizador Adam

Tasa de aprendizaje

Red neuronal convolucional (CNN) (aprox. 2 días)

Clasificación de imágenes

Capas convolucionales, capas de agrupamiento

Capas de remodelación, aplanamiento, pooling de media global

Arquitecturas CNN ImageNet-Competition

Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes

Aprendizaje por transferencia (aprox. 1 día)

Adaptación de modelos

Formación previa no supervisada

Aumento de datos de imágenes, IA explicable

CNN regional (aprox. 1 día)

Localización de objetos

Problemas de regresión

Redes neuronales ramificadas

Métodos de generación creativa de imágenes (aprox. 1 día)

Redes Generativas Adversariales (GAN)

Deepfakes

Modelos de difusión

Redes neuronales recurrentes (aprox. 2 días)

Análisis de secuencias

Capas recurrentes

Retropropagación en el tiempo (BPTT)

Análisis de series temporales

Problemas de gradiente explosivo y evanescente

LSTM (memoria a corto plazo larga)

GRU (Unidad Recurrente Controlada)

RNN profunda

LSTM profunda

Tratamiento de textos mediante redes neuronales (aprox. 2 días)

Preprocesamiento de textos

Incrustación de capas

Clasificación de textos

Análisis de sentimientos

Aprendizaje de transferencia en PNL

Traducciones

Método secuencia a secuencia, arquitectura codificador-decodificador

Modelos lingüísticos (aprox. 1 día)

BERT, GPT

Capas de atención, transformadores

Tuberías de generación de texto

Resumidores

chatbots

Aprendizaje profundo por refuerzo (aprox. 1 día)

Control de sistemas dinámicos

Sistemas de agentes

Entrenamiento mediante recompensas

Gradientes de políticas

Aprendizaje Q profundo

Redes neuronales bayesianas (aprox. 1 día)

Incertidumbres en las redes neuronales

Evaluación estadística de las previsiones

Confianza, desviación típica

Datos desequilibrados

Métodos de muestreo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje por refuerzo (aprox. 1 día)

Definición y conceptos básicos

Diferencias con otros métodos de aprendizaje

Ámbitos de aplicación y ejemplos

Procesos de decisión de Markov (MDP) (aprox. 2 días)

Definición y propiedades de los MDP

Funciones de valor y política

Ecuaciones de Bellman

Enfoque de programación dinámica

Q-Learning (aprox. 2 días)

Definición y algoritmo

Exploración frente a explotación

Convergencia y propiedades de optimización

Aplicaciones en juegos, robótica y otros ámbitos

Aprendizaje profundo por refuerzo (aprox. 3 días)

Aprendizaje Q profundo

Gradientes de políticas deterministas profundas (DDPG)

Métodos críticos de actor

Métodos de gradiente de política

Temas avanzados (aprox. 4 días)

Aprendizaje por refuerzo basado en modelos

Aprendizaje por refuerzo multiagente

Aprendizaje por refuerzo inverso

Metaaprendizaje por refuerzo

Aplicaciones prácticas (aprox. 3 días)

Implementación de algoritmos de aprendizaje por refuerzo

Aplicación a problemas y casos prácticos seleccionados

Evaluación y ajuste de los algoritmos

Resumen y perspectivas (aprox. 2 días)

Resumen de los conceptos y resultados más importantes

Retos y evolución futura del aprendizaje por refuerzo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto