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

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para presentar un caso real de aplicación de machine learning y ciencia de datos, haciendo énfasis en la oportunidad, solución, dificultades y beneficios, para luego discutir con el grupo y responder consultas.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. En particular, el primer trabajo se enfoca en desarrollar la capacidad de identificar los conceptos básicos de machine learning y ciencia de datos en los casos de estudio presentados. El segundo trabajo busca desarrollar la capacidad de identificar la presencia y necesidad de los distintos tipos de aprendizaje en los casos de estudio presentados. Finalmente, el tercer trabajo pretende integrar ambas miradas en la formulación de un caso de estudio original, en el que sea posible identificar los conceptos básicos, los tipos de aprendizaje, además de la oportunidad, solución, dificultades y beneficios. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Conceptos de inteligencia de negocios y minería de datos
• Conceptos de ciencia de datos y aprendizaje de máquina
• El auge actual del aprendizaje de máquina e inteligencia artificial

• Aplicaciones sobre transacciones estructuradas
• Aplicaciones sobre texto
• Aplicaciones sobre audio
• Aplicaciones sobre video

• Visualización en ciencia de datos
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje reforzado

• Aplicaciones de visualización en ciencia de datos
• Aplicaciones de aprendizaje supervisado
• Aplicaciones de aprendizaje no supervisado
• Aplicaciones de aprendizaje reforzado

• Caso en compañía de seguros
• Caso en banca
• Caso en retail
• Caso en calidad del aire

• Principios básicos del PMI
• Áreas de conocimiento
• Personas, cultura y política

• Contexto metodológico
• Conceptos relevantes
• Consideraciones relevantes
• Prototipos

• La naturaleza de la agilidad
• Introducción a Scrum
• Desarrollo de proyectos BI con metodología Scrum

• La necesidad de gobierno
• Desafío de fondo
• Conceptos fundacionales clave
• Desafíos del gobierno de datos

• Roles
• Estructura organizativa
• Data stewardship
• Calidad de datos
• Modelos de gobierno de datos

• Arquitectura de datos
• Master data management
• Proveedores de nube

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 deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

• La transformación digital (TD) y la Cuarta Revolución Industrial
• ¿Qué es la transformación digital?

• Por qué la TD no es solo implementación de nueva tecnología
• Cultura organizacional. Nuevas prácticas de trabajo

• La nueva experiencia del empleado (employee experience -EX).
• Experiencia del colaborador: Más allá de la cultura

• Empleabilidad bajo una nueva perspectiva de desarrollo profesional y plan de carrera
• Paradigmas del aprendizaje y del desarrollo de carrera

• Nuevas competencias del líder en la transformación digital
• Gestión del cambio en las organizaciones

• ¿Qué es la automatización?
• Las nuevas tendencias laborales
• Etapas de la automatización
• Impacto en los empleos hoy
• Inteligencia artificial: una vía hacia la automatización
• Consideraciones éticas