Fundamentos de estadística (aprox. 6 días)

Fundamentos de la teoría de la medición (población y muestra, tipos de muestra, niveles de medición y escala)

Estadística descriptiva univariante (distribuciones de frecuencia, medidas centrales, medidas de dispersión, valor estándar, histogramas, diagramas de barras, diagramas circulares, diagramas de líneas y diagramas de caja)

Estadística descriptiva bivariante (medidas de correlación, coeficientes de correlación, tablas cruzadas, gráficos de dispersión y gráficos de barras agrupadas)

Fundamentos de la estadística inferencial inductiva (distribución de probabilidades, distribución normal, distribución del valor medio, prueba de significación, prueba de hipótesis nula de Fisher, tamaño del efecto, estimación de parámetros, intervalos de confianza, gráficos de barras de error, análisis de potencia y determinación del tamaño óptimo de la muestra).

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Métodos para comparar dos grupos (aprox. 5 días)

pruebas z y t para una muestra (desviación de un valor especificado)

Prueba t para la diferencia de medias entre dos muestras independientes/conectadas

Comprobación de la eficacia de acciones, medidas, intervenciones y otros cambios con pruebas t (diseños pretest-postest con dos grupos)

Pruebas de significación de apoyo (prueba de Anderson-Darling, prueba de Ryan-Joiner, prueba de Levene, prueba de Bonnet, prueba de significación para correlaciones)

Métodos no paramétricos (prueba de Wilcoxon, prueba de signos, prueba de Mann-Whitney)

Análisis de contingencia (prueba binomial, prueba exacta de Fisher, prueba chi-cuadrado, tabulaciones cruzadas con medidas de asociación)

Métodos para comparar las medias de varios grupos (aprox. 5 días)

Análisis de varianza monofactorial y bifactorial (ANOVA simple y equilibrado)

Análisis multifactorial de la varianza (modelo lineal general)

Factores fijos, aleatorios, cruzados y anidados

Métodos de comparación múltiple (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Análisis de interacción (análisis de efectos de interacción)

Análisis de selectividad y potencia para análisis de varianza

Introducción al diseño de experimentos (DoE) (aprox. 1 día)

Diseños experimentales factoriales completos y parciales

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Conceptos básicos de MATLAB (aprox. 2 días)

Interfaz de usuario de MATLAB

Lectura de datos de un archivo

Variables, matrices, operadores, funciones básicas

Representación gráfica de datos

Personalización de diagramas

Exportación de gráficos

Variables y comandos (aprox. 2 días)

Operadores relacionales y lógicos

Conjuntos, conjuntos con sólidos 2D (polyshape)

Realización de cálculos matemáticos y estadísticos con vectores

Gráficos en estadística

Análisis y visualización (aprox. 1 día)

Creación y modificación de matrices

Operaciones matemáticas con matrices

Representación gráfica de datos matriciales

Aplicaciones matriciales: Mapeo, rotación, sistemas de ecuaciones lineales, método de los mínimos cuadrados

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Tratamiento de datos (aprox. 1 día)

Tipos de datos: Matrices de estructura, matrices de celdas, string vs. char, categórico, datetime y muchos más

Creación y organización de datos tabulares

Selección condicional de datos

Importación/exportación con Matlab: estructuras de carpetas, datos .mat, datos de tablas, textos continuos

Programación en MATLAB (aprox. 3 días)

Estructuras de control: bucles, if-else, excepciones

Funciones

Programación orientada a objetos

Diseño de aplicaciones

Simulación en MATLAB (aprox. 5 días)

Integración y diferenciación numéricas

Fundamentos de la simulación de ecuaciones diferenciales ordinarias, ODE de Matlab y opciones del solucionador

Tecnología de simulación en Matlab: parámetros de entrada, interpolación de datos, estudios de simulación

Control de simulación: funciones de evento (paso por cero), funciones de salida

Ejemplos de aplicación, p. ej. simulación de un motor eléctrico, simulación de un cohete

Simulink (aprox. 4 días)

Conceptos básicos de Simulink: Diagramas, funciones, señales y ecuaciones diferenciales

Funciones, subsistemas y bibliotecas

Importación/exportación, tablas de consulta, control

Paso por cero, automatización de tareas de simulación (acceso a Matlab)

Ejemplos de aplicación, por ejemplo, simulación del tren de transmisión de un avión

Trabajo de proyecto (aprox. 2 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Conceptos básicos de Python (aprox. 1 día)

Historia, conceptos

Uso y ámbitos de aplicación

sintaxis

Lexis, semántica

Convenciones PEP-8

Intérprete frente a compilador

Primeros pasos con Python (aprox. 5 días)

Números

Cadenas

Fecha y hora

Entrada y salida estándar

Operadores numéricos

Operadores de comparación, lógicos y bitwise

Conversión de tipos de datos

lista, tupla dict, conjunto

Funciones y métodos de lista

Ramas y bucles (if, for, while)

operadores miembro

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Funciones (aprox. 5 días)

Defina sus propias funciones

Variables

Parámetros y argumentos

Valores de retorno

Recursión

Espacios de nombres

Programación funcional

Solución de problemas (aprox. 0,5 días)

intentar, excepto

Tipos de error

Interceptación de interrupciones del programa

Transmisión de errores entre funciones

Programación orientada a objetos (aprox. 4,5 días)

Clases de Python

Métodos

Objetos inmutables

Clases de datos

Herencia

Trabajo de proyecto, preparación de la certificación y examen de certificación "PCEP™ - Certified Entry-Level Python Programmer" en inglés (aprox. 4 días).

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 análisis de datos (aprox. 1 día)

Modelo de referencia CRISP-DM

Flujos de trabajo de análisis de datos

Definición de inteligencia artificial, aprendizaje automático, aprendizaje profundo

Requisitos y función en la empresa de ingenieros de datos, científicos de datos y analistas de datos

Repaso de los fundamentos de Python (aprox. 1 día)

Análisis de datos (aprox. 3 días)

Módulos centrales de Python en el contexto del análisis de datos (NumPy, Pandas)

Proceso de preparación de datos

Algoritmos de minería de datos en Python

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Visualización de datos (aprox. 3 días)

Análisis exploratorio de datos

Perspectivas

Calidad de los datos

Análisis de beneficios

Visualización con Python: Matplotlib, Seaborn, Plotly Express

Narración de datos

Gestión de datos (aprox. 2 días)

Arquitecturas de big data

Bases de datos relacionales con SQL

Comparación de bases de datos SQL y NoSQL

Inteligencia empresarial

Protección de datos en el contexto del análisis de datos

Análisis de datos en un contexto de big data (aprox. 1 día)

Enfoque MapReduce

Spark

NoSQL

Cuadros de mando (aprox. 3 días)

Biblioteca: Cuadros de mando

Estructura y personalización de cuadros de mando

Devoluciones de llamada

Minería de textos (aprox. 1 día)

Preprocesamiento de datos, visualización

Biblioteca: SpaCy

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto