No dejes pasar la oportunidad de convertirte en un experto en la arquitectura del dato y la conformación de sistemas a través de él. ¡Matrícula ahora en esta maestría oficial!”

La Ciencia en Datos sostiene, desde hace varios años, una evolución constante y ha propiciado el desarrollo de adelantos significativos para la esfera de los servicios y la producción. En muy poco tiempo, a través de esta disciplina las empresas han conseguido optimizar procesos, personalizar y mejorar las experiencias del usuario, ajustar modelos de gestión y prevenir diferentes tipos de riesgos. A partir de esa latente transformación, el sector reclama de profesionales cada vez más cualificados con un entendimiento profundo de las herramientas de minería, visualización y representación gráfica de la información. Los expertos en esta área del conocimiento se han convertido en los más demandados en las listas de trabajos emergentes según encuestas especializadas y, al mismo tiempo, esa demanda supera con creces la oferta disponible.

Por eso, TECH brinda a sus alumnos la oportunidad de convertirse en especialistas en esa materia a través de su maestría oficial en Ciencia de Datos. La titulación aborda de manera exhaustiva los procedimientos y estrategias más modernos para la gestión y manipulación de la información en el contexto informático. Igualmente, examina todas aquellas herramientas que facilitan la predictibilidad y análisis de fenómenos estocásticos que se originan durante el proceso de extracción de referencias. También, ahonda en los métodos de procesamiento y transformación del dato más efectivos en la actualidad. A su vez, el temario se distingue por su énfasis en las aplicaciones para este campo de otros recursos tecnológicos como son la Inteligencia Artificial, la computación en la nube o el Internet de las cosas.

Para afianzar el dominio de esos contenidos, TECH despliega una innovadora metodología de aprendizaje basada en estrategias didácticas como el Relearning y el estudio de casos reales. Ambos métodos contribuirán a que el alumno adquiera competencias teóricas y prácticas de primer nivel sobre la Ciencia de Datos. Asimismo, todos los materiales educativos estarán disponibles de manera 100% online en una plataforma de aprendizaje que no está sujeta a horarios ni cronogramas preestablecidos. De ese modo, el estudiante tendrá la oportunidad de autogestionar sus progresos de acuerdo a sus intereses de superación personal.

TECH brinda la oportunidad de obtener la maestría oficial en Ciencia de Datos en un formato 100% en línea, con titulación directa y un programa diseñado para aprovechar cada tarea en la adquisición de competencias para desempeñar un papel relevante en la empresa. Pero, además, con este programa, el estudiante tendrá acceso al estudio de idiomas extranjeros y formación continuada de modo que pueda potenciar su etapa de estudio y logre una ventaja competitiva con los egresados de otras universidades menos orientadas al mercado laboral.

Un camino creado para conseguir un cambio positivo a nivel profesional, relacionándose con los mejores y formando parte de la nueva generación de informáticos capaces de desarrollar su labor en cualquier lugar del mundo.

Con esta maestría oficial de TECH, examinarás en profundidad los dispositivos y plataformas que garantizan la seguridad y la privacidad de datos recopilados por empresas de producción y los servicios”

Los contenidos de este programa académico dan cuenta de la evolución que ha experimentado la Ciencia de Datos en los últimos años. Todas sus materias han sido actualizadas según la última evidencia científica. Entre sus módulos académicos se abordan temas como las herramientas más potentes para la representación gráfica de los datos, las plataformas que potencian la minería, selección y transformación de la información. A su vez, analizará como diseñar e implementar sistemas inteligentes que faciliten la resolución de problemas y carencias en el ámbito profesional de esta disciplina.

El plan de estudios de esta maestría oficial es accesible desde cualquier dispositivo conectado a Internet, brindándote una oportunidad única de estudiar desde casa sin cronogramas educativos preestablecidos”

Plan de estudios

La titulación se desarrollará de manera 100% online y acompañará sus contenidos teóricos con materiales multimedia de gran valor didáctico. Entre ellos resaltarán infografías, resúmenes interactivos, vídeos y otros recursos que complementarán la preparación del estudiante. También, en el plan educativo encontrará clases magistrales y simulaciones de casos reales que reforzarán su comprensión de los temas de interés.

El acceso a los módulos académicos será posible desde cualquier dispositivo conectado a Internet. Así, el alumno podrá elegir el tiempo y espacio que dedica a su capacitación. Igualmente, contará con novedosos métodos didácticos como el Relearning, ideados para asimilar todos los contenidos de manera rápida y sencilla, con énfasis en el desarrollo de habilidades prácticas.

Módulo 1. Analítica del Dato en la Organización Empresarial
Módulo 2. Gestión, Manipulación de Datos e Información para Ciencia de Datos
Módulo 3. Dispositivos y plataformas de Internet de las Cosas como base para la Ciencia de Datos
Módulo 4. Representación Gráfica para Análisis de Datos
Módulo 5. Herramientas de Ciencia de Datos
Módulo 6. Minería de Datos. Selección, Preprocesamiento y Transformación
Módulo 7. Predictibilidad y Análisis de Fenómenos Estocásticos
Módulo 8. Diseño y desarrollo de Sistemas Inteligentes
Módulo 9. Arquitecturas y Sistemas para uso intensivo de Datos
Módulo 10. Aplicación práctica de la Ciencia de Datos en Sectores de Actividad Empresarial

Dónde, cuándo y cómo se imparte

Esta maestría oficial se ofrece 100% en línea, por lo que el alumno podrá cursarla desde cualquier sitio, haciendo uso de una computadora, una tableta o simplemente mediante su smartphone.

Además, podrá acceder a los contenidos tanto online como offline. Para hacerlo offline bastará con descargarse los contenidos de los temas elegidos, en el dispositivo y abordarlos sin necesidad de estar conectado a internet.

El alumno podrá cursar la maestría oficial a través de sus 10 módulos, de forma autodirigida y asincrónica. Adaptamos el formato y la metodología para aprovechar al máximo el tiempo y lograr un aprendizaje a medida de las necesidades del alumno.

Este programa te actualizará sobre las aplicaciones más recientes de la Ciencia de Datos en el sector empresarial y los beneficios a escala macrosocial que esas innovaciones ha traído para el sistema financiero”

Módulo 1. Analítica del Dato en la Organización Empresarial

1.1. Análisis de negocio

1.1.1. Análisis de Negocio
1.1.2. Estructura del dato
1.1.3. Fases y elementos

1.2. Analítica del dato en la empresa

1.2.1. Cuadros de mando e Indicadores claves de rendimiento (Kpi´s) por departamentos
1.2.2. Informes operativos, tácticos y estratégicos
1.2.3. Analítica del dato aplicada a cada departamento

1.2.3.1. Mercadotecnia y comunicación
1.2.3.2. Comercial
1.2.3.3. Atención al cliente
1.2.3.4. Compras
1.2.3.5. Administración
1.2.3.6. Recursos Humanos
1.2.3.7. Producción

1.3. Mercadotecnia y comunicación

1.3.1. Indicadores claves de rendimiento a medir, aplicaciones y beneficios
1.3.2. Sistemas de mercadotecnia y almacenes de datos (data warehouse)
1.3.3. Implementación de una estructura de analítica del dato en Mercadotecnia
1.3.4. Plan de mercadotecnia y comunicación
1.3.5. Estrategias, predicción y gestión de campañas

1.4. Comercial y ventas

1.4.1. Aportaciones de analítica del dato en el área comercial
1.4.2. Necesidades del departamento de Ventas
1.4.3. Estudios de mercado

1.5. Atención al cliente

1.5.1. Fidelización
1.5.2. Calidad personal e inteligencia emocional
1.5.3. Satisfacción del cliente

1.6. Compras

1.6.1. Analítica del dato para estudios de mercado
1.6.2. Analítica del dato para estudios de competencia
1.6.3. Otras aplicaciones

1.7. Administración

1.7.1. Necesidades en el departamento de administración
1.7.2. Almacén de datos y análisis de riesgo financiero
1.7.3. Almacén de datos y análisis de riesgo de crédito

1.8. Recursos humanos

1.8.1. Recursos Humanos y beneficios de la analítica del dato
1.8.2. Herramientas de analítica del dato en el departamento de Recursos Humanos
1.8.3. Aplicación de analítica del dato en los Recursos Humanos

1.9. Producción

1.9.1. Análisis de datos en un departamento de producción
1.9.2. Aplicaciones
1.9.3. Beneficios

1.10. Tecnologías de la Información

1.10.1. Departamento de Tecnología de la Información
1.10.2. Analítica del dato y transformación digital
1.10.3. Innovación y productividad

Módulo 2. Gestión, Manipulación de Datos e Información para Ciencia de Datos

2.1. Estadística. Variables, Índices y Ratios

2.1.1. La Estadística
2.1.2. Dimensiones estadísticas
2.1.3. Variables, índices y ratios

2.2. Tipología del dato

2.2.1. Cualitativos
2.2.2. Cuantitativos
2.2.3. Caracterización y categorías

2.3. Conocimiento de los datos a partir de Medidas

2.3.1. Medidas de centralización
2.3.2. Medidas de dispersión
2.3.3. Correlación

2.4. Conocimiento de los datos a partir de Gráficos

2.4.1. Visualización según el tipo de dato
2.4.2. Interpretación de información grafica
2.4.3. Customización de gráficos con R

2.5. Probabilidad

2.5.1. Probabilidad
2.5.2. Función de probabilidad
2.5.3. Distribuciones

2.6. Recolección de datos

2.6.1. Metodología de recolección
2.6.2. Herramientas de recolección
2.6.3. Canales de recolección

2.7. Limpieza del dato

2.7.1. Fases de la limpieza de datos
2.7.2. Calidad del dato
2.7.3. Manipulación de datos (con R)

2.8. Análisis de datos, interpretación y valoración de resultados

2.8.1. Medidas estadísticas
2.8.2. Índices de relación
2.8.3. Minería de datos

2.9. Almacén de datos

2.9.1. Elementos
2.9.2. Diseño

2.10. Disponibilidad del dato

2.10.1. Acceso
2.10.2. Utilidad
2.10.3. Seguridad

Módulo 3. Dispositivos y plataformas de Internet de las Cosas como base para la Ciencia de Datos

3.1. Internet de las cosas

3.1.1. Internet del futuro, Internet de las cosas
3.1.2. El consorcio de internet industrial

3.2. Arquitectura de referencia

3.2.1. La Arquitectura de referencia
3.2.2. Capas
3.2.3. Componentes

3.3. Sensores y dispositivos de internet de las cosas

3.3.1. Componentes principales
3.3.2. Sensores y actuadores

3.4. Comunicaciones y protocolos

3.4.1. Protocolos. Modelo de interconexión de sistemas abiertos (OSI)
3.4.2. Tecnologías de comunicación

3.5. Plataformas en la nube para internet de las cosas (IoT) e Internet industrial de las cosas (IIoT)

3.5.1. Plataformas de propósito general
3.5.2. Plataformas Industriales
3.5.3. Plataformas de código abierto

3.6. Gestión de datos en plataformas de Internet de las cosas

3.6.1. Mecanismos de gestión de datos. Datos abiertos
3.6.2. Intercambio de datos y Visualización

3.7. Seguridad en Internet de las cosas

3.7.1. Requisitos y áreas de seguridad
3.7.2. Estrategias de seguridad en Internet industrial de las cosas

3.8. Aplicaciones de Internet de las cosas

3.8.1. Ciudades inteligentes
3.8.2. Salud y condición física
3.8.3. Hogar inteligente
3.8.4. Otras aplicaciones

3.9. Aplicaciones de Internet industrial de las cosas

3.9.1. Fabricación
3.9.2. Transporte
3.9.3. Energía
3.9.4. Agricultura y ganadería
3.9.5. Otros sectores

3.10. Industria 4.0

3.10.1. Internet de las cosas robóticas (IoRT)
3.10.2. Fabricación aditiva 3D
3.10.3. Análisis de macrodatos

Módulo 4. Representación Gráfica para Análisis de Datos

4.1. Análisis exploratorio

4.1.1. Representación para análisis de información
4.1.2. El valor de la representación gráfica
4.1.3. Nuevos paradigmas de la representación gráfica

4.2. Optimización para ciencia de datos

4.2.1. La Gama cromática y el diseño
4.2.2. La Gestalt en la representación gráfica
4.2.3. Errores a evitar y consejos

4.3. Fuentes de datos básicos

4.3.1. Para representación de calidad
4.3.2. Para representación de cantidad
4.3.3. Para representación de tiempo

4.4. Fuentes de datos complejos

4.4.1. Archivos, Listados y bases de datos
4.4.2. Datos abiertos
4.4.3. Datos de generación continua

4.5. Tipos de gráficas

4.5.1. Representaciones básicas
4.5.2. Representación de bloques
4.5.3. Representación para análisis de dispersión
4.5.4. Representaciones Circulares
4.5.5. Representaciones Burbujas
4.5.6. Representaciones Geográficas

4.6. Tipos de visualización

4.6.1. Comparativas y relacional
4.6.2. Distribución
4.6.3. Jerárquica

4.7. Diseño de informes con representación gráfica

4.7.1. Aplicación de gráficas en informes de mercadotecnia
4.7.2. Aplicación de gráficas en cuadros de mando e Indicadores clave de rendimiento
4.7.3. Aplicación de gráficas en planes estratégicos
4.7.4. Otros usos: ciencia, salud, negocio

4.8. Narración gráfica

4.8.1. La Narración gráfica
4.8.2. Evolución
4.8.3. Utilidad

4.9. Herramientas orientadas a visualización

4.9.1. Herramientas avanzadas
4.9.2. Software en línea
4.9.3. Código abierto

4.10. Nuevas tecnologías en la visualización de datos

4.10.1. Sistemas para virtualización de la realidad
4.10.2. Sistemas para aumento y mejora de la realidad
4.10.3. Sistemas inteligentes

Módulo 5. Herramientas de Ciencia de Datos

5.1. Ciencia de datos

5.1.1. La ciencia de datos
5.1.2. Herramientas avanzadas para el Científico de Datos

5.2. Datos, información y conocimiento

5.2.1. Datos, información y conocimiento
5.2.2. Tipos de datos
5.2.3. Fuentes de datos

5.3. De los datos a la información

5.3.1. Análisis de Datos
5.3.2. Tipos de análisis
5.3.3. Extracción de Información de un conjunto de datos (Dataset)

5.4. Extracción de información mediante visualización

5.4.1. La visualización como herramienta de análisis
5.4.2. Métodos de visualización
5.4.3. Visualización de un conjunto de datos

5.5. Calidad de los datos

5.5.1. Datos de calidad
5.5.2. Limpieza de datos
5.5.3. Preprocesamiento básico de datos

5.6. Conjunto de datos

5.6.1. Enriquecimiento del dataset
5.6.2. La maldición de la dimensionalidad
5.6.3. Modificación de nuestro conjunto de datos

5.7. Desbalanceo

5.7.1. Desbalanceo de clases
5.7.2. Técnicas de mitigación del desbalanceo
5.7.3. Balanceo de un dataset

5.8. Modelos no supervisados

5.8.1. Modelo no supervisado
5.8.2. Métodos
5.8.3. Clasificación con modelos no supervisados

5.9. Modelos supervisados

5.9.1. Modelo supervisado
5.9.2. Métodos
5.9.3. Clasificación con modelos supervisados

5.10. Herramientas y buenas prácticas

5.10.1. Buenas prácticas para un científico de datos
5.10.2. El mejor modelo
5.10.3. Herramientas útiles

Módulo 6. Minería de Datos. Selección, Preprocesamiento y Transformación

6.1. La inferencia estadística

6.1.1. Estadística descriptiva vs. Inferencia estadística
6.1.2. Procedimientos paramétricos
6.1.3. Procedimientos no paramétricos

6.2. Análisis exploratorio

6.2.1. Análisis descriptivo
6.2.2. Visualización
6.2.3. Preparación de datos

6.3. Preparación de datos

6.3.1. Integración y limpieza de datos
6.3.2. Normalización de datos
6.3.3. Transformando atributos

6.4. Los Valores perdidos

6.4.1. Tratamiento de valores perdidos
6.4.2. Métodos de imputación de máxima verosimilitud
6.4.3. Imputación de valores perdidos usando aprendizaje automático

6.5. El ruido en los datos

6.5.1. Clases de ruido y atributos
6.5.2. Filtrado de ruido
6.5.3. El efecto del ruido

6.6. La maldición de la dimensionalidad

6.6.1. Sobremuestreo (Oversampling)
6.6.2. Submuestreo (Undersampling)
6.6.3. Reducción de datos multidimensionales

6.7. De atributos continuos a discretos

6.7.1. Datos continuos versus discretos
6.7.2. Proceso de discretización

6.8. Los datos

6.8.1. Selección de Datos
6.8.2. Perspectivas y criterios de selección
6.8.3. Métodos de selección

6.9. Selección de Instancias

6.9.1. Métodos para la selección de instancias
6.9.2. Selección de prototipos
6.9.3. Métodos avanzados para la selección de instancias

6.10. Preprocesamiento de datos en entornos de datos masivos

6.10.1. Datos masivos
6.10.2. Preprocesamiento “clásico” versus masivo
6.10.3. Datos inteligentes

Módulo 7. Predictibilidad y Análisis de Fenómenos Estocásticos

7.1. Series de tiempo

7.1.1. Series de tiempo
7.1.2. Utilidad y aplicabilidad
7.1.3. Casuística relacionada

7.2. La Serie temporal

7.2.1. Tendencia Estacionalidad de series temporales
7.2.2. Variaciones típicas
7.2.3. Análisis de residuos

7.3. Tipologías

7.3.1. Estacionarias
7.3.2. No estacionarias
7.3.3. Transformaciones y ajustes

7.4. Esquemas para series temporales

7.4.1. Esquema (modelo) aditivo
7.4.2. Esquema (modelo) multiplicativo
7.4.3. Procedimientos para determinar el tipo de modelo

7.5. Métodos básicos de previsión de ventas

7.5.1. Media
7.5.2. Naïve
7.5.3. Naïve estacional
7.5.4. Comparación de métodos

7.6. Análisis de residuos

7.6.1. Autocorrelación
7.6.2. Autocorrelación (ACF) de residuos
7.6.3. Prueba de correlación

7.7. Regresión en el contexto de series temporales

7.7.1. ANOVA
7.7.2. Fundamentos
7.7.3. Aplicación practica

7.8. Modelos predictivos de series temporales

7.8.1. ARIMA
7.8.2. Suavizado exponencial

7.9. Manipulación y análisis de Series temporales con R

7.9.1. Preparación de los datos
7.9.2. Identificación de patrones
7.9.3. Análisis del modelo
7.9.4. Predicción

7.10. Análisis gráficos combinados con R

7.10.1. Situaciones habituales
7.10.2. Aplicación práctica para resolución de problemas sencillos
7.10.3. Aplicación práctica para resolución de problemas avanzado

Módulo 8. Diseño y desarrollo de Sistemas Inteligentes

8.1. Preprocesamiento de datos

8.1.1. Preprocesamiento de datos
8.1.2. Transformación de datos
8.1.3. Minería de datos

8.2. Aprendizaje Automático

8.2.1. Aprendizaje supervisado y no supervisado
8.2.2. Aprendizaje por refuerzo
8.2.3. Otros paradigmas de aprendizaje

8.3. Algoritmos de clasificación

8.3.1. Aprendizaje Automático Inductivo
8.3.2. Máquinas de vectores de soporte (SVM) y Algoritmo de vecinos K-más cercanos (KNN)
8.3.3. Métricas y puntuaciones para clasificación

8.4. Algoritmos de Regresión

8.4.1. Regresión Lineal, regresión Logística y modelos no lineales
8.4.2. Series temporales
8.4.3. Métricas y puntuaciones para regresión

8.5. Algoritmos de Agrupamiento

8.5.1. Técnicas de agrupamiento jerárquico
8.5.2. Técnicas de agrupamiento Particional
8.5.3. Métricas y puntuaciones para agrupamiento

8.6. Técnicas de reglas de asociación

8.6.1. Métodos para la extracción de reglas
8.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación

8.7. Técnicas de clasificación avanzadas. Multiclasificadores

8.7.1. Algoritmos de Bagging
8.7.2. Clasificador “Random Forests”
8.7.3. “Boosting” para árboles de decisión

8.8. Modelos gráficos probabilísticos

8.8.1. Modelos probabilísticos
8.8.2. Redes bayesianas. Propiedades, representación y parametrización
8.8.3. Otros modelos gráficos probabilísticos

8.9. Redes Neuronales

8.9.1. Aprendizaje automático con redes neuronales artificiales
8.9.2. Redes neuronales prealimentadas (feedforward)

8.10. Aprendizaje profundo

8.10.1. Redes neuronales prealimentadas (feedforward) profundas
8.10.2. Redes neuronales convolucionales y modelos de secuencia
8.10.3. Herramientas para implementar redes neuronales profundas

Módulo 9. Arquitecturas y Sistemas para uso intensivo de Datos

9.1. Requisitos No funcionales. Pilares de las aplicaciones de datos masivos

9.1.1. Fiabilidad
9.1.2. Adaptabilidad
9.1.3. Mantenibilidad

9.2. Modelos de datos

9.2.1. Modelo relacional
9.2.2. Modelo documental
9.2.3. Modelo de datos tipo grafo

9.3. Bases de datos. Gestión del almacenamiento y Recuperación de datos

9.3.1. Índices hash
9.3.2. Almacenamiento estructurado en log
9.3.3. Árboles B

9.4. Formatos de codificación de datos

9.4.1. Formatos específicos del lenguaje
9.4.2. Formatos estandarizados
9.4.3. Formatos de codificación binarios
9.4.4. Flujo de datos entre procesos

9.5. Replicación

9.5.1. Objetivos de la replicación
9.5.2. Modelos de replicación
9.5.3. Problemas con la replicación

9.6. Transacciones distribuidas

9.6.1. Transacción
9.6.2. Protocolos para transacciones distribuidas
9.6.3. Transacciones serializables

9.7. Particionado

9.7.1. Formas de particionado
9.7.2. Interacción de índice secundarios y particionado
9.7.3. Rebalanceo de particiones

9.8. Procesamiento de datos fuera de línea

9.8.1. Procesamiento por lotes
9.8.2. Sistemas de ficheros distribuidos
9.8.3. MapReduce

9.9. Procesamiento de datos en tiempo real

9.9.1. Tipos de broker de mensajes
9.9.2. Representación de bases de datos como flujos de datos
9.9.3. Procesamiento de flujos de datos

9.10. Aplicaciones Prácticas en la Empresa

9.10.1. Consistencia en lecturas
9.10.2. Enfoque holístico de datos
9.10.3. Escalado de un servicio distribuido

Módulo 10. Aplicación práctica de la Ciencia de Datos en Sectores de Actividad Empresarial

10.1. Sector sanitario

10.1.1. Implicaciones de la inteligencia artificial y la analítica de datos en el sector sanitario
10.1.2. Oportunidades y desafíos

10.2. Riesgos y tendencias en Sector sanitario

10.2.1. Uso en el Sector Sanitario
10.2.2. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.3. Servicios financieros

10.3.1. Implicaciones de la inteligencia artificial y la analítica de datos en el sector de los servicios financiero
10.3.2. Uso en los Servicios Financieros
10.3.3. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.4. Comercio minorista

10.4.1. Implicaciones de la inteligencia artificial y la analítica de datos en el sector del comercio minorista
10.4.2. Uso en el comercio minorista
10.4.3. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.5. Industria 4.0

10.5.1. Implicaciones de la inteligencia artificial y la analítica de datos en la Industria 4.0
10.5.2. Uso en la Industria 4.0

10.6. Riesgos y tendencias en Industria 4.0

10.6.1. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.7. Administración Pública

10.7.1. Implicaciones de la inteligencia artificial y la analítica de datos en la Administración Pública
10.7.2. Uso en la Administración Pública
10.7.3. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.8. Educación

10.8.1. Implicaciones de la inteligencia artificial y la analítica de datos en la Educación
10.8.2. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.9. Silvicultura y Agricultura

10.9.1. Implicaciones de la inteligencia artificial y la analítica de datos en la Silvicultura y Agricultura
10.9.2. Uso en Silvicultura y Agricultura
10.9.3. Riesgos potenciales relacionados con el uso de inteligencia artificial

10.10. Recursos Humanos

10.10.1. Implicaciones de la inteligencia artificial y la analítica de datos en la gestión de Recursos Humanos
10.10.2. Aplicaciones Prácticas en el mundo empresarial
10.10.3. Riesgos potenciales relacionados con el uso de inteligencia artificial

Los módulos de esta maestría oficial están integrados por diversos temas de interés, al día de acuerdo a la evidencia científica más reciente”