Analista de Datos y Gestor de IA

Fundamentos de estadística (aprox. 6 días)

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

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

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

Fundamentos de la estadística inferencial inductiva (distribuciones de probabilidad, distribución normal, distribución muestral de la media, prueba de significación, prueba de hipótesis nula, nivel de significación, tamaño del efecto, estimación de parámetros, intervalos de confianza, gráficos de barras de error, análisis de potencia, tamaño de la muestra).

Preparación y depuración de datos con el software adecuado

Análisis descriptivo

Visualización de resultados estadísticos

Análisis e interpretación de resultados estadísticos asistidos por IA

Métodos para comparar dos grupos (aprox. 5 días)

prueba z, prueba t para una muestra

prueba t para muestras independientes y relacionadas

Diseños pretest-postest con dos grupos

Pruebas de significación de apoyo (prueba de Anderson-Darling, prueba de Ryan-Joiner, prueba de Levene, prueba de Bonett, 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, medidas de asociación)

Interpretación de los resultados de las pruebas

Interpretación de resultados asistida por IA

Fundamentos del análisis de regresión (aprox. 2 días)

Regresión lineal

Interpretación de modelos

Interpretación de modelos asistida por IA

Análisis de correlación

Métodos para comparar las medias de varios grupos (aprox. 3 días)

Análisis de varianza (ANOVA) monofactorial y bifactorial

Análisis post-hoc

Interpretación de las diferencias entre grupos

Análisis multifactorial de la varianza (modelo lineal general)

Factores fijos, aleatorios, cruzados y anidados

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

Análisis de interacción

Análisis de potencia para análisis de varianza

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

Diseños experimentales factoriales completos y factoriales parciales

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Conceptos básicos de sistemas de bases de datos y SQL (aprox. 3 días)

Visión general de los sistemas y modelos de bases de datos

Datos redundantes e integridad de los datos

Normalización

Diseño de bases de datos y modelo de relación entre entidades (ERM)

Claves primarias y externas

Relaciones entre relaciones

Tipos de datos en SQL

Índices y rendimiento

Restricciones y validación

Consultas en SQL

Los datos estructurados como base de los métodos de análisis asistidos por IA

Introducción a SQL Server Management Studio (SSMS) (aprox. 2 días)

Visión general de SQL Server y SSMS

Diseño físico de bases de datos

Creación de tablas y definición de tipos de datos

Restricciones, valores por defecto y relaciones

Diagramas de base de datos (ERM) y relaciones

Copia de seguridad y restauración

Introducción a la supervisión del rendimiento

Visión general de la optimización de consultas y el análisis de consultas con ayuda de IA

Introducción a DDL (Lenguaje de Definición de Datos) y DML (Lenguaje de Manipulación de Datos) (aprox. 8 días)

Conceptos básicos de SQL y sintaxis ampliada

Operadores y funciones integradas

Consultas y manipulación de datos

Tratamiento de errores y gestión de transacciones

Creación y administración de objetos de base de datos

Conceptos básicos de optimización del rendimiento

Trabajo con tipos de datos modernos

Modelado de datos y preparación estructurada para aplicaciones de IA y análisis

DCL - Lenguaje de control de datos y seguridad (aprox. 1 día)

Administración de usuarios y autorizaciones

Roles y conceptos de seguridad

Auditoría

Introducción a la seguridad a nivel de fila

Seguridad de los datos en el contexto de los análisis asistidos por IA

Tipos de datos, importación y exportación de datos en sistemas modernos (aprox. 1 día)

Importación y exportación de datos

Tipos de datos modernos

Importación, transformación y suministro de datos para procesos de análisis

Trabajo por proyectos (aprox. 5 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

Sistemas numéricos: binario, octal, hexadecimal

Notación científica

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

Bifurcaciones y bucles (if, for, while)

Operadores de miembros

Conceptos básicos de cadenas: escape, cadenas multilínea

Operadores de priorización y vinculación

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

Tipos de parámetros: posicionales, de palabra clave, mixtos

Valores por defecto

Shadowing y palabra clave global

Ninguno y retorno sin valor

Resolución de problemas (aprox. 0,5 días)

Fundamentos de la gestión de errores con try y except

Tipos de error típicos y jerarquía de excepciones

Propagación de errores e interrupciones del programa

Estructuración de los bloques except

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)

Tipos de datos

Funciones

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

Fundamentos de los proyectos operativos de IA (aprox. 5 días)

Introducción a la IA, ML, DL, PNL y visión por ordenador (enfoque operativo)

Funciones y tareas: Establecimiento, funcionamiento y revisión de la eficacia del sistema de gestión de conformidad con la norma ISO 42001.

Delimitación de funciones y colaboración: responsable de IA, gestor de IA y auditor de IA

Identificación y evaluación de casos de uso operativo en la empresa

Inicio del proyecto: definición del objetivo, alcance, análisis de viabilidad

Gestión de las partes interesadas

Creación de valor y retorno de la inversión a través de la IA

Iniciativas exitosas de IA en la gestión

Gestión de datos y uso de herramientas (aprox. 3 días)

Preparación, calidad e integración de datos

Selección y aplicación de herramientas y plataformas de IA

Indicaciones prácticas para aplicaciones de texto, imagen y vídeo

Creación de canalizaciones de datos sencillas

Introducción a los conceptos de MLOps

Opciones de automatización de la IA en funcionamiento

Formación, validación y uso de modelos (aprox. 2 días)

Formación y validación de modelos

Procedimientos de prueba: Caja negra, caja blanca, pruebas unitarias

Utilización de modelos

Seguimiento y optimización iterativa

Integración de agentes de IA en los proyectos

Gestión de riesgos y garantía de calidad (aprox. 2 días)

Análisis de riesgos técnicos: métricas de sesgo, pruebas de equidad, análisis de errores de modelo

Garantía de calidad: indicadores clave de rendimiento, supervisión, procesos de aceptación

Sistema de gestión conforme a la norma ISO 42001

Seguridad y explicabilidad de los sistemas de IA

Gestión operativa de proyectos y métodos ágiles (aprox. 2 días)

Métodos ágiles: Scrum, Kanban, ciclos de implantación iterativos

Planificación de recursos y presupuestos

Comunicación entre el equipo y las partes interesadas

Optimización continua y estrategias de resolución de problemas (CIP)

Colaboración con socios externos

Desarrollo organizativo, gobernanza y gestión del cambio (aprox. 3 días)

Análisis de los procesos de la empresa

Análisis del nivel de madurez, análisis GAP

Creación de una hoja de ruta de la IA

Gobernanza y desarrollo de estrategias de IA

Desarrollo de una estructura organizativa sostenible

Responsabilidades

Gestión práctica de la resistencia en las operaciones de IA

Sostenibilidad y responsabilidad digital corporativa (RDC)

Trabajo de proyecto, preparación de la certificación y examen de certificación "AI Manager con cualificación certificada por TÜV Rheinland" (aprox. 3 días)