Fundamentos de Ciencia de Datos e
Inteligencia Artificial para Ejecutivos de TI

Módulo 1: Introducción a Ciencia de Datos e Inteligencia Artificial
• Antecedentes, tendencias y evolución.
• Conceptualización de varios términos relacionados a Ciencia de Datos e Inteligencia artificial, incluyendo Aprendizaje automatizado, estadística, BI, Deep Learning, Gobierno de Datos y otros.
• Distintas clasificaciones de CIencia de Datos e Inteligencia Artificial
• Organizaciones Data-Driven.
• Modelos de referencia y mejores prácticas.
• Casos de uso relevantes ilustrativos.

Módulo 2: Exploración y Preparación de Datos
• Principales tecnologías habilitadoras y requerimientos de ambientes de desarrollo.
• Datos estructurados y no estructurados.
• Técnicas de identificación de anomalías.
• Tratamiento de outliers y datos faltantes. Integración de datos externos.
• Análisis exploratorio de datos.
• Demo de muestra de herramientas para la exploración y preparación.

Módulo 3: Técnicas de Ciencia de Datos
• Algoritmos de agrupamiento y asociación.
• Algoritmos de regresión y clasificación.
• Métricas de evaluación y técnicas de validación de algoritmos.
• Demo de muestra de estructura y aplicación de los algoritmos.

Módulo 4: Técnicas de Inteligencia Artificial
• Aprendizaje automático, Machine Learning y Redes Neuronales.
• Procesamiento de Lenguaje Natural (NLP) y Grandes Modelos de Lenguaje (LLM)
• Incorporando IA a nuestra vida diaria.
• Demo de aplicaciones por medio de distintas herramientas.

Módulo 5: Roadmap de implementación y casos de uso.
• Casos de uso comunes en TI y el Negocio.
• ¿Cómo definir una estrategia de implementación?
• Factores clave de éxito.
• Dinámica: Definir mi ruta de aprendizaje y desarrollo profesional en el campo de Ciencia de Datos e AI.
• Dinámica: ¿Qué desafíos existen en mi organización para abordar un proyecto de implementación?