• Me conozco. Autoconocimiento y descubrimiento del líder que hay en mí. 
• Colaboro. Engagement de equipos. 
• Lidero. Escucho, inspiro y guío. 

Introducción 

• Estadística para Data Science. Aplicaciones de estadística descriptiva y de estadística inferencial. 
• Repaso de estadística descriptiva y análisis exploratorio de datos. 

 Estadística inferencial 

• Distribuciones muestrales. Prueba de normalidad y teorema del límite central. Tipos de distribución. 
• Margen de error y nivel de confianza. Interpretación de “Alpha” y “P-Value”. 
• Pruebas de Hipótesis. 

 Features engineering 

• Taller: Selección de variables basada en prueba de hipótesis y nivel de significancia. 
• Taller: Análisis de impacto de la imputación de missing y outliers en el modelamiento. 
• Taller: Análisis de impacto del Binning de variables categóricas y numéricas en el modelamiento. 
• Taller: Análisis de impacto de las técnicas normalization, standarization y encoding de variables en el modelamiento. 
• Taller: Reducción dimensional de amplios dataset mediante análisis de componentes principales (PCA). 

Fundamentos de Web Scraping 

• Consumo de datos on-line. Fuentes API (crudo) y HTML (renderizado). 
• Web Scraping vs. Web Crawling. 
• Consecuencias del escrapeo. El User Agent y bloqueo de páginas web. 
• Consideraciones éticas y legales del scrapeo. 

 La web y sus componentes 

• Conceptos básicos sobre la web: DOM, HTML, CSS, JS. 
• Taller: Construcción de una página web básica con etiquetado HTML y sentencias CSS. 

 Métodos de scraping 

• Web Scraping estático con LXML y Playwright. 
• Taller: Scraping basado en Playwrigth. 
• Web Scraping dinámico con Selenium. Configuración de drivers por navegador. 
• Taller: Scraping basado en Selenium. 

 Storing y serialización de datos 

• Objetivos de la serialización de datos. 
• Formatos No binarios, Binarios. 
• Taller: Serialización de datos JSON, YAML, BSON, MessagePack. entre otros. 

Técnicas de clasificación sobre Big Data 

• Introducción a PySpark. Características y diferencias funcionales respecto a Python. Overview librerías Spark para machine learning. 
• Taller: PySpark para un proyecto de clasificación basado en Random Forest. 
• Taller: PySpark para un proyecto de clasificación basado en Regresión logística monomial. 
• Taller: PySpark para un proyecto de clasificación basado en Regresión logística multinomial. 
• Taller: PySpark para un proyecto de clasificación basado en Máquina de soporte vectorial (SVM). 
• Taller: PySpark para un proyecto de clasificación basado en OneVsRest. 

 Técnicas de regresión sobre Big Data 

• Taller: PySpark para un proyecto de regresión lineal (Gaussian). 
• Taller: PySpark para un proyecto de regresión generalizado (GLM). 

 Técnicas avanzadas 

• Taller: PySpark para un proyecto de regresión basado en Decision-Tree. 
• Taller: PySpark para un proyecto de regresión basado en RandomForest. 
• Taller: PySpark para un proyecto de clasificación basado en Gradient-Boost. 
• Taller: PySpark para un proyecto de regresión basado en Gradient-Boost. 
• Taller: PySpark para un proyecto de clasificación basado en máquinas de factorización (FM). 
• Taller: PySpark para un proyecto de regresión basado en máquinas de factorización (FM). 

Estrategia e indicadores de negocio 

• El plan estratégico corporativo. Definición y finalidad. Objetivos de largo plazo, objetivos de corto plazo, estrategias e indicadores de negocio. 
• El Balanced Score Card y los KPI’s corporativos. Métricas típicas por perspectiva del BSC. 

 Análisis de KPI’s corporativos 

• Taller: Análisis de performance de KPI. Identificación de factores y problemas que afectan su evolución (análisis de causa-efecto). 
• Taller: Planteamiento de soluciones basadas en ciencia de datos a los factores y problemas que afectan los KPI’s. 
• Taller: Análisis del impacto de la implementación de una solución de ciencia de datos en los KPI’s corporativos. 

Introducción a los proyectos de Data Science 

• Metodologías para proyectos de Data Science. Roles y actividades relacionadas. 

Presentación del Proyecto Integrador 

• Planteamiento técnico del problema. 
• Descripción del dataset. 
• Análisis exploratorio y preprocesamiento de datos. 
• Entrenamiento del modelo, análisis de sus resultados y selección del mejor. 
• Análisis de impacto de la solución. 

Storytelling

• Storytelling. Definición, importancia en los negocios y en el
  trabajo con proyectos.
• Principio, desarrollo y final de impacto.
• Implicación de las emociones.
  

El arte de la persuasión

• Comprensión de la audiencia.
• Modelos de procesamiento de información
• Los llamamientos motivacionales, reglas de interacciones
  humanas.
• Comunicación auténtica. Claves verbales y no verbales.
• Manejo de objeciones y defensa de propuestas.
• Taller: Planteamiento y defensa de un proyecto de data science
  empleando técnicas de Storytelling y de persuasión
  comunicativa

Introducción a cloud computing 

• Cloud computing. Definición, clasificación de servicios cloud, principales proveedores. 
• Modelos de costos. 

 Introducción a Microsoft Azure 

• Taller: Creación de cuentas y acceso a la plataforma. 
• Taller: Creación y configuración de una máquina virtual. 
• Taller: Creación, configuración y uso de un servicio de almacenamiento. 
• Taller: Creación y uso de una base de datos relacional como servicio. Acciones CRUD. 
• Taller: Creación y uso de una base de datos no relacional como servicio. Acciones CRUD. 
• Taller: Acceso remoto y control de los servicios creados. 

 Introducción a AWS 

• Taller: Creación de cuentas y acceso a la plataforma. 
• Taller: Creación y configuración de una máquina virtual. 
• Taller: Creación, configuración y uso de un servicio de almacenamiento. 
• Taller: Creación y uso de una base de datos relacional como servicio. Acciones CRUD. 
• Taller: Creación y uso de una base de datos no relacional como servicio. Acciones CRUD. 
• Taller: Acceso remoto y control de los servicios creados. 

Preparación del entorno de trabajo 

• Arquitectura de un Deep Learning Pipeline en Azure. Descripción de servicios Azure Storage, Azure Databricks, HTTP Endpoint.  
• Taller: Configurar un servicio Azure Storage y cargar las imágenes fuente. 
• Taller: Crear el entorno Azure Databricks y montar Azure Storage. 

 Deep Learning con Keras 

• Taller: Implementar un notebook en Azure Databricks para el entrenamiento de la red neuronal. 

 Deploy del modelo 

• Taller: Despliegue y testeo del modelo empleando el servicio HTTP EndPoint. 

Técnicas básicas de Text mining  

• Taller: Análisis de textos por frecuencia. Implementación de nube de palabras con Python e interpretación. 
• Taller: Análisis de textos por secuencia. Implementación de Bigramas con Python e interpretación. 

 Técnicas de preprocesamiento de textos 

• Análisis de textos por frecuencia: 

• Taller: Técnica visual “Cloud words” (Python). Pros y contras de la técnica. 
• Taller: Técnica tabular basada en recuento simple “Bag of words” (Python). Pros y contras de la técnica.  
• Taller: Técnica tabular basada en recuento con pesos “TF-IDF” (Python). 

• División de textos: 

• Taller: Tokenization de textos (Python). Pros y contras de la técnica. 

• Eliminación de textos comunes y reducciones: 

• Taller: Eliminación de “Stop words” (Python). 
• Taller: Reducción de textos con la técnica “Stemming” (Python). 
• Taller: Reducción de textos con la técnica “Lemmatization” (Python). 

• Codificación de textos 

• Taller: Codificación de textos basado en “Word embeddings (Python). 

 Procesamiento de lenguaje natural 

• Taller: Aprendizaje No supervisado basado en Topic Modeling: Latent Semantic Analysis (LSA) con Python. 
• Taller: Aprendizaje No supervisado basado en Topic Modeling: Latent Dirichlet Analysis (LDA) con Python. 
• Taller: Implementación de un proyecto de análisis de sentimiento con Python. 

Machine Learning Engineering 

• Sistemas de Machine Learning. 
• Taller: Configuración del entorno de trabajo y herramientas clave. 
• Machine Learning Pipeline. Definición y arquitectura. 
• Taller: Escribiendo código para producción. 
• Tecnología API. Definición, forma de operación. 
• Taller: Sirviendo un modelo a través de Rest API y AWS (ECS) 

 Tópicos de MLOps 

• MLOps. Definición, importancia en Machine Learning. 
• MLOps Lifecycle. 
• Definición y principales características de herramientas CI/CD: Jenkins, Seldom, Grafana, Prometheus, entre otras. 

Introducción a IA Generativa 

• IA Generativa. Definición, tipos y ejemplos. 
• Large Language Model (LLM). Definición, aplicaciones empresariales, recursos computaciones para su entrenamiento (CPU vs GPU). 
• Modelos Meta-Llama y MistralAI. Características generales, diferencias y aplicaciones. 
• Taller: Exploración de Hugging Face como repositorios LLM, interpretación de la nomenclatura de modelos (número de parámetros). 

 LLM Fine-tuning fundamentals 

• Taller: Fine-tuning básico de un modelo LLM Meta-Llama2 con Python. Repaso de parámetros de configuración y testeo. 
• Taller: Fine-tuning básico de un modelo LLM Mistral7B con Python. Construcción de un chatbot básico. 

ROI: IA para procesos 

• Mejoras en la Eficiencia Operacional en base a soluciones IA. Ejemplos y casuísticas. 
• Automatización de procesos en base a soluciones IA. Ejemplos y casuísticas. 
• Reducción de errores y tiempos de procesamiento en base a soluciones IA. Ejemplos y casuísticas. 
• Taller: Análisis y discusión sobre el impacto de diversas soluciones de IA en el negocio. 

 ROI: Nuevas Oportunidades con IA 

• Innovación en productos y servicios empleando IA. Ejemplos y casuísticas. 
• Expansión a nuevos mercados empleando IA. Ejemplos y casuísticas. 
• Taller: Planteamiento, análisis y discusión de soluciones IA para la innovación en productos y expansión a nuevos mercados. 

 ROI: Mejora en la Toma de Decisiones 

• Análisis predictivo y prescriptivo. ¿Cómo la toma decisiones sustentada en datos contribuye a la mejora financiera? 
• Personalización y segmentación avanzada ¿Cómo la personalización y segmentación contribuye a la mejor financiera? 

Proyecto de Inteligencia Artificial 

• Presentación de la problemática de negocio, análisis y resumen. 
• Diseño y sustento de la propuesta técnica planteada (algoritmos, infraestructura, costos asociados. 
• Implementación de la solución y demostración de funcionamiento.