El curso está constituido de tres clases elearning y una clase sincrónica.

• Aprendizaje autónomo asincrónico
• Clase expositiva
• Foro formativo
• Controles formativos

El curso cuenta con las siguientes actividades de evaluación formativa:

• 3 controles individuales
• 1 foro

• Importancia del autoconocimiento y la gestión personal
• Manejo del tiempo
• Manejo del estrés

• Importancia de las emociones en el funcionamiento humano
• Estrategias de gestión emocional
• Capital psicológico (autoeficacia, optimismo, esperanza y resiliencia)

• Proactividad y agilidad de aprendizaje
• Visión y propósito
• Desarrollo de carrera

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Introducción a la inteligencia de negocios
• Plataforma clásica de inteligencia de negocios
• Componentes de la plataforma clásica de inteligencia de negocios
• Nuevas tendencias que impactan la inteligencia de negocios

• Desafíos de la inteligencia de negocios actual
• Presentación plataforma moderna de análisis de datos
• Componentes de la plataforma moderna de análisis de datos
• Centralización versus descentralización

• Agilidad en inteligencia de negocios
• Introducción al gobierno de datos
• Roles asociados al gobierno de datos
• Desafíos del gobierno de datos

• Introducción a la calidad de datos
• Metodología de calidad de datos
• Etapas de la metodología de calidad de datos
• Desafíos de calidad de datos

• Introducción al pensamiento analítico
• Pensamiento crítico
• Pensamiento creativo
• El nuevo rol del traductor analítico

• Próximos años: principales desafíos
• El rol de los gerentes y directivos de la organización
• El (probable) invierno analítico
• Preparándose para una nueva era

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Árbol de decisión
• KNN
• Random Forest

• K-Means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, la forma correcta del uso de algunas herramientas, etc.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Conceptos fundamentales de bases de datos
• El modelo relacional
• MySQL desde el Workbench

• Introducción al lenguaje SQL
• Creación de una base de datos desde Python
• Tablas y tipos de datos
• Creación de tablas desde Python
• Agregar y eliminar información a una tabla desde Python

• Introducción a Pandas y dataframes
• SQL joins
• Transacciones en bases de datos
• Eliminación y modificación de filas en una tabla

• Operaciones de conjunto y cláusulas de agrupación
• Ordenamiento y agrupación
• Carga de contenido CSV desde una API Web
• Procesamiento de un archivo en formato CSV

• Bases de datos NoSQL
• Introducción a MongoDB
• El formato JSON
• MongoDB desde Python

• MongoDB y desde una API en la web y procesarla con un programa Python
• Conectando con MongoDB
• Interactuando con el motor MongoDB desde un programa
• Procesamiento de JSON desde Python
• Extracción de JSON desde una API web

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, el uso apropiado de algunas herramientas, etc.

Para este curso se revisarán formas de interpretar y aplicar del modelo anidado de visualización para validar visualizaciones existentes y para justificar decisiones de diseño de nuevos gráficos de visualización de información. Se revisarán y aplicarán bibliotecas en Python especializadas en visualización. Y con participación de los alumnos se analizarán casos de visualización.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Ejemplos históricos de Visualización de datos.
• Conceptos fundamentales de visualización de información.
• Funciones básicas de matplotlib y seaborn.
• Modelo anidado de Munzner para diseño y validación de visualización.
• Reglas y recomendaciones generales para visualizaciones efectivas.
• Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado.
• Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado.
• Reducción de dimensionalidad.
• Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado.
• Visualización básica de datos de texto.
• Visualización básica de datos espaciales.