Diplomado en Ciencia de Datos e IA

1. Ciencia de Datos en la Toma de Decisiones Empresariales

• Introducción a la Ciencia de Datos y su importancia estratégica.
• Ciclo de vida de un proyecto de datos.
• Herramientas y perfiles del ecosistema analítico.

2. Programación para Análisis de Datos con Python

• Sintaxis básica de Python para analítica (variables, estructuras, funciones).
• Principales librerías para manejo de datos.
• Instalación y configuración del entorno (Google Colab o Jupyter).

3. Limpieza y Preparación de Datos para Modelado

• Carga, inspección y validación de conjuntos de datos.
• Limpieza de datos: valores nulos, duplicados, outliers.
• Transformaciones: escalado, encoding y normalización.

4. Big Data y Analítica en la Nube

A) FUNDAMENTOS DE BIG DATA

• Introducción a Big Data: volumen, velocidad, variedad, veracidad y valor.
• Casos de uso en industrias y gobierno.
• Arquitecturas de procesamiento: HDFS, Hadoop, Spark.

B) ANÁLISIS DE BIG DATA EN LA NUBE

• Plataformas cloud: Google Cloud Platform, AWS, Azure.
• Procesamiento distribuido y consultas.
• Seguridad y escalabilidad.

5. Análisis Exploratorio de Datos (EDA)

• Estadísticas descriptivas y análisis de correlaciones.
• Visualización de variables numéricas y categóricas.
• Identificación de outliers y patrones de comportamiento.

6. Segmentación con Aprendizaje No Supervisado

• Introducción al aprendizaje supervisado.
• Modelos de regresión y clasificación.
• Métricas de evaluación: accuracy, precision, recall, ROC.

7. Optimización de Modelos y Selección de Variables

• Validación cruzada y ajuste de hiperparámetros.
• Importancia de variables y selección automática.
• Reducción de dimensionalidad con PCA.

8. Segmentación con Aprendizaje No Supervisado

• Clustering: K-Means, DBSCAN.
• Análisis de componentes principales (PCA).
• Aplicaciones prácticas en negocios.

9. Procesamiento de Lenguaje Natural (NLP)

• Limpieza y procesamiento de texto: tokenización, stopwords, TF-IDF.
• Análisis de sentimientos y clasificación de textos.
• Aplicaciones: soporte al cliente, reputación digital.

10. Redes Neuronales e Inteligencia Artificial Aplicada

• Introducción a redes neuronales artificiales (ANN).
• Uso de modelos preentrenados con TensorFlow/Keras.
• Aplicaciones en visión y texto.

11. IA Avanzada, Sesgos y Ética en la Automatización

• Introducción al Reinforcement Learning y modelos generativos.
• Sesgos algorítmicos y fairness en IA.
• Ética, privacidad y regulaciones.

12. Visualización de Datos Avanzada y Storytelling

• Principios de visualización efectiva.
• Creación de dashboards interactivos con Plotly, Dash o Power BI.
• Comunicación efectiva de resultados para stakeholders.

13. Inteligencia Artificial Generativa

• Fundamentos de IA Generativa
• Modelos de texto, imagen, código: ChatGPT, Dall-E, Claude.
• Aplicaciones prácticas y automatización.