Mediante este programa universitario 100% online, diseñarás sistemas informáticos innovadores que incorporen la Inteligencia Artificial para optimizar procesos institucionales y automatizar tareas complejas”

La Inteligencia Artificial ha emergido como una de las tecnologías más disruptivas en el campo de la Programación Informática, impulsando la creación de sistemas autónomos que mejoran la productividad y reducen el tiempo de desarrollo de software. Con la incorporación de técnicas avanzadas como el aprendizaje automático y deep learning, los desarrolladores pueden automatizar tareas como el análisis de código, la optimización de procesos y la mejora de la calidad del software.

En este contexto, TECH presenta un vanguardista Grand Máster MBA en Inteligencia Artificial en Programación Informática. Confeccionado por referentes en este ámbito, el itinerario académico profundizará en aspectos que comprenden desde la minería de datos o entrenamiento de redes neuronales profundas hasta la mejora de la productividad en el desarrollo de software. De este modo, los alumnos adquirirán las competencias necesarias para integrar Inteligencia Artificial en todos los aspectos del ciclo de desarrollo de software, mejorando la eficiencia, precisión y agilidad en la creación de aplicaciones.

En lo que respecta a la metodología de la titulación universitaria, TECH emplea el revolucionario sistema educativo del Relearning. Este sistema se basa en la repetición de los conceptos claves del temario, asegurando que los egresados comprendan los contenidos y estos perduren en su mente durante un largo período de tiempo. Para acceder al Campus Virtual, lo único que necesitarán es un dispositivo electrónico conectado a internet. Así pues, podrán disfrutar de los recursos educativos más completos, actualizados y dinámicos del mercado académico.

Finalmente, el plan de estudios incorpora una serie de exclusivas Masterclasses impartidas por prestigiosos Directores Invitados Internacionales. A través de estas sesiones magistrales, el alumnado tendrá la oportunidad de acceder a conocimientos avanzados, estrategias innovadoras y experiencias reales compartidas por un experto de renombre en el ámbito profesional.

Las Masterclasses representan una ocasión única para profundizar en las tendencias más actuales y aplicar enfoques de vanguardia en tu desarrollo académico o laboral en la IA y la Programación Informática”

Este Grand Máster MBA en Inteligencia Artificial en Programación Informática contiene el programa universitario más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Inteligencia Artificial en Programación Informática
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras en Inteligencia Artificial en Programación Informática
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Serás capaz de identificar nuevas oportunidades de aplicación de sistemas inteligentes en áreas como Videojuegos o Automóviles Autónomos”

Incluye en su cuadro docente a profesionales pertenecientes al ámbito de la Inteligencia Artificial en Programación Informática, que vierten en este programa la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un estudio inmersivo programado para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Desarrollarás competencias en análisis de datos a gran escala, para alimentar modelos de Inteligencia Artificial en diversos entornos informáticos.

Con el sistema Relearning no tendrás que invertir una gran cantidad de horas de estudio y te focalizarás en los conceptos más relevantes”

Los materiales didácticos que componen este Grand Máster han sido creados por verdaderos especialistas en el ámbito de la Inteligencia Artificial en Programación Informática. De este modo, el itinerario académico profundizará en materias que van desde la personalización de modelos mediante software de vanguardia como TensorFlow o aplicación de técnicas de Procesamiento del Lenguaje Natural hasta la creación de pruebas automatizadas. Así pues, los egresados obtendrán habilidades avanzadas para diseñar e implementar soluciones tecnológicas innovadoras y optimizar diversos procesos empresariales mediante sistemas inteligentes.

Manejarás las herramientas metodológicas y analíticas más modernas para resolver cualquier desafío técnico en diferentes situaciones empresariales”

Módulo 1. Liderazgo, ética y Responsabilidad Social de las empresas

1.1. Globalización y gobernanza

1.1.1. Gobernanza y Gobierno Corporativo
1.1.2. Fundamentos del Gobierno Corporativo en las empresas
1.1.3. El rol del Consejo de Administración en el marco del Gobierno Corporativo

1.2. Liderazgo

1.2.1. Liderazgo. Una aproximación conceptual
1.2.2. Liderazgo en las empresas
1.2.3. La importancia del líder en la dirección de empresas

1.3. Cross Cultural Management

1.3.1. Concepto de Cross Cultural Management
1.3.2. Aportaciones al Conocimiento de Culturas Nacionales
1.3.3. Gestión de la diversidad

1.4. Desarrollo directivo y liderazgo

1.4.1. Concepto de desarrollo directivo
1.4.2. Concepto de liderazgo
1.4.3. Teorías del liderazgo
1.4.4. Estilos de liderazgo
1.4.5. La inteligencia en el liderazgo
1.4.6. Los desafíos del líder en la actualidad

1.5. Ética empresarial

1.5.1. Ética y moral
1.5.2. Ética empresarial
1.5.3. Liderazgo y ética en las empresas

1.6. Sostenibilidad

1.6.1. Sostenibilidad y desarrollo sostenible
1.6.2. Agenda 2030
1.6.3. Las empresas sostenibles

1.7. Responsabilidad social de la empresa

1.7.1. Dimensión internacional de la responsabilidad social de las empresas
1.7.2. Implementación de la responsabilidad social de la empresa
1.7.3. Impacto y medición de la responsabilidad social de la empresa

1.8. Sistemas y herramientas de gestión responsable

1.8.1. RSC: La responsabilidad social corporativa
1.8.2. Aspectos esenciales para implantar una estrategia de gestión responsable
1.8.3. Pasos para la implantación de un sistema de gestión de responsabilidad social corporativa
1.8.4. Herramientas y estándares de la RSC

1.9. Multinacionales y derechos humanos

1.9.1. Globalización, empresas multinacionales y derechos humanos
1.9.2. Empresas multinacionales frente al derecho internacional
1.9.3. Instrumentos jurídicos para multinacionales en materia de derechos humanos

1.10. Entorno legal y Corporate Governance

1.10.1. Normas internacionales de importación y exportación
1.10.2. Propiedad intelectual e industrial
1.10.3. Derecho Internacional del Trabajo

Módulo 2. Dirección estratégica y Management Directivo

2.1. Análisis y diseño organizacional

2.1.1. Marco conceptual
2.1.2. Factores clave en el diseño organizacional
2.1.3. Modelos básicos de organizaciones
2.1.4. Diseño organizacional: Tipologías

2.2. Estrategia corporativa

2.2.1. Estrategia corporativa competitiva
2.2.2. Estrategias de crecimiento: Tipologías
2.2.3. Marco conceptual

2.3. Planificación y formulación estratégica

2.3.1. Marco conceptual
2.3.2. Elementos de la planificación estratégica
2.3.3. Formulación estratégica: Proceso de la planificación estratégica

2.4. Pensamiento estratégico

2.4.1. La empresa como un sistema
2.4.2. Concepto de organización

2.5. Diagnóstico financiero

2.5.1. Concepto de diagnóstico financiero
2.5.2. Etapas del diagnóstico financiero
2.5.3. Métodos de evaluación para el diagnóstico financiero

2.6. Planificación y estrategia

2.6.1. El plan de una estrategia
2.6.2. Posicionamiento estratégico
2.6.3. La estrategia en la empresa

2.7. Modelos y patrones estratégicos

2.7.1. Marco conceptual
2.7.2. Modelos estratégicos
2.7.3. Patrones estratégicos: Las Cinco P´s de la Estrategia

2.8. Estrategia competitiva

2.8.1. La ventaja competitiva
2.8.2. Elección de una estrategia competitiva
2.8.3. Estrategias según el Modelo del Reloj Estratégico
2.8.4. Tipos de estrategias según el ciclo de vida del sector industrial

2.9. Dirección estratégica

2.9.1. El concepto de estrategia
2.9.2. El proceso de dirección estratégica
2.9.3. Enfoques de la dirección estratégica

2.10. Implementación de la estrategia

2.10.1. Sistemas de indicadores y enfoque por procesos
2.10.2. Mapa estratégico
2.10.3. Alineamiento estratégico

2.11. Management Directivo

2.11.1. Marco conceptual del Management Directivo
2.11.2. Management Directivo. El Rol del Consejo de Administración y herramientas de gestión corporativas

2.12. Comunicación estratégica

2.12.1. Comunicación interpersonal
2.12.2. Habilidades comunicativas e influencia
2.12.3. La comunicación interna
2.12.4. Barreras para la comunicación empresarial

Módulo 3. Dirección de personas y gestión del talento

3.1. Comportamiento organizacional

3.1.1. Comportamiento organizacional. Marco conceptual
3.1.2. Principales factores del comportamiento organizacional

3.2. Las personas en las organizaciones

3.2.1. Calidad de vida laboral y bienestar psicológico
3.2.2. Equipos de trabajo y la dirección de reuniones
3.2.3. Coaching y gestión de equipos
3.2.4. Gestión de la igualdad y diversidad

3.3. Dirección estratégica de personas

3.3.1. Dirección estratégica y Recursos Humanos
3.3.2. Dirección estratégica de personas

3.4. Evolución de los recursos. Una visión integrada

3.4.1. La importancia de RR.HH
3.4.2. Un nuevo entorno para la gestión y dirección de personas
3.4.3. Dirección estratégica de RR.HH

3.5. Selección, dinámicas de grupo y reclutamiento de RR.HH

3.5.1. Aproximación al reclutamiento y la selección
3.5.2. El reclutamiento
3.5.3. El proceso de selección

3.6. Gestión de Recursos Humanos por competencias

3.6.1. Análisis del potencial
3.6.2. Política de retribución
3.6.3. Planes de carrera/sucesión

3.7. Evaluación del rendimiento y gestión del desempeño

3.7.1. La gestión del rendimiento
3.7.2. Gestión del desempeño: Objetivos y proceso

3.8. Gestión de la formación

3.8.1. Las teorías del aprendizaje
3.8.2. Detección y retención del talento
3.8.3. Gamificación y la gestión del talento
3.8.4. La formación y la obsolescencia profesional

3.9. Gestión del talento

3.9.1. Claves para la gestión positiva
3.9.2. Origen conceptual del talento y su implicación en la empresa
3.9.3. Mapa del talento en la organización
3.9.4. Coste y valor añadido

3.10. Innovación en gestión del talento y las personas

3.10.1. Modelos de gestión el talento estratégico
3.10.2. Identificación, formación y desarrollo del talento
3.10.3. Fidelización y retención
3.10.4. Proactividad e innovación

3.11. Motivación

3.11.1. La naturaleza de la motivación
3.11.2. La teoría de las expectativas
3.11.3. Teorías de las necesidades
3.11.4. Motivación y compensación económica

3.12. Employer Branding

3.12.1. Employer branding en RR.HH
3.12.2. Personal Branding para profesionales de RR.HH

3.13. Desarrollo de equipos de alto desempeño

3.13.1. Los equipos de alto desempeño: los equipos autogestionados
3.13.2. Metodologías de gestión de equipos autogestionados de alto desempeño

3.14. Desarrollo competencial directivo

3.14.1. ¿Qué son las competencias directivas?
3.14.2. Elementos de las competencias
3.14.3. Conocimiento
3.14.4. Habilidades de dirección
3.14.5. Actitudes y valores en los directivos
3.14.6. Habilidades directivas

3.15. Gestión del tiempo

3.15.1. Beneficios
3.15.2. ¿Cuáles pueden ser las causas de una mala gestión del tiempo?
3.15.3. Tiempo
3.15.4. Las ilusiones del tiempo
3.15.5. Atención y memoria
3.15.6. Estado mental
3.15.7. Gestión del tiempo
3.15.8. Proactividad
3.15.9. Tener claro el objetivo
3.15.10. Orden
3.15.11. Planificación

3.16. Gestión del cambio

3.16.1. Gestión del cambio
3.16.2. Tipo de procesos de gestión del cambio
3.16.3. Etapas o fases en la gestión del cambio

3.17. Negociación y gestión de conflictos

3.17.1. Negociación
3.17.2. Gestión de conflictos
3.17.3. Gestión de crisis

3.18. Comunicación directiva

3.18.1. Comunicación interna y externa en el ámbito empresarial
3.18.2. Departamentos de Comunicación
3.18.3. El responsable de Comunicación de la empresa. El perfil del Dircom

3.19. Gestión de Recursos Humanos y equipos Prevención de Riesgos Laborales

3.19.1. Gestión de recursos humanos y equipos
3.19.2. Prevención de riesgos laborales

3.20. Productividad, atracción, retención y activación del talento

3.20.1. La productividad
3.20.2. Palancas de atracción y retención de talento

3.21. Compensación monetaria vs. no monetaria

3.21.1. Compensación monetaria vs. no monetaria
3.21.2. Modelos de bandas salariales
3.21.3. Modelos de compensación no monetaria
3.21.4. Modelo de trabajo
3.21.5. Comunidad corporativa
3.21.6. Imagen de la empresa
3.21.7. Salario emocional

3.22. Innovación en gestión del talento y las personas

3.22.1. Innovación en las organizaciones
3.22.2. Nuevos retos del departamento de Recursos Humanos
3.22.3. Gestión de la innovación
3.22.4. Herramientas para la innovación

3.23. Gestión del conocimiento y del talento

3.23.1. Gestión del conocimiento y del talento
3.23.2. Implementación de la gestión del conocimiento

3.24. Transformación de los recursos humanos en la era digital

3.24.1. El contexto socioeconómico
3.24.2. Nuevas formas de organización empresarial
3.24.3. Nuevas metodologías

Módulo 4. Dirección económico-financiera

4.1. Entorno económico

4.1.1. Entorno macroeconómico y el sistema financiero nacional
4.1.2. Instituciones financieras
4.1.3. Mercados financieros
4.1.4. Activos financieros
4.1.5. Otros entes del sector financiero

4.2. La financiación de la empresa

4.2.1. Fuentes de financiación
4.2.2. Tipos de costes de financiación

4.3. Contabilidad directiva

4.3.1. Conceptos básicos
4.3.2. El activo de la empresa
4.3.3. El pasivo de la empresa
4.3.4. El patrimonio neto de la empresa
4.3.5. La cuenta de resultados

4.4. De la contabilidad general a la contabilidad de costes

4.4.1. Elementos del cálculo de costes
4.4.2. El gasto en contabilidad general y en contabilidad de costes
4.4.3. Clasificación de los costes

4.5. Sistemas de información y Business Intelligence

4.5.1. Fundamentos y clasificación
4.5.2. Fases y métodos de reparto de costes
4.5.3. Elección de centro de costes y efecto

4.6. Presupuesto y control de gestión

4.6.1. El modelo presupuestario
4.6.2. El Presupuesto de Capital
4.6.3. El Presupuesto de Explotación
4.6.4. El Presupuesto de Tesorería
4.6.5. Seguimiento del Presupuesto

4.7. Gestión de tesorería

4.7.1. Fondo de Maniobra Contable y Fondo de Maniobra Necesario
4.7.2. Cálculo de Necesidades Operativas de Fondos
4.7.3. Credit Management

4.8. Responsabilidad fiscal de las empresas

4.8.1. Conceptos tributarios básicos
4.8.2. El impuesto de sociedades
4.8.3. El impuesto sobre el valor añadido
4.8.4. Otros impuestos relacionados con la actividad mercantil
4.8.5. La empresa como facilitador de la labor del Estado

4.9. Sistemas de control de las empresas

4.9.1. Análisis de los estados financieros
4.9.2. El Balance de la empresa
4.9.3. La Cuenta de Pérdidas y Ganancias
4.9.4. El Estado de Flujos de Efectivo
4.9.5. Análisis de Ratios

4.10. Dirección Financiera

4.10.1. Las decisiones financieras de la empresa
4.10.2. El departamento financiero
4.10.3. Excedentes de tesorería
4.10.4. Riesgos asociados a la dirección financiera
4.10.5. Gestión de riesgos de la dirección financiera

4.11. Planificación Financiera

4.11.1. Definición de la planificación financiera
4.11.2. Acciones a efectuar en la planificación financiera
4.11.3. Creación y establecimiento de la estrategia empresarial
4.11.4. El cuadro Cash Flow
4.11.5. El cuadro de circulante

4.12. Estrategia Financiera Corporativa

4.12.1. Estrategia corporativa y fuentes de financiación
4.21.2. Productos financieros de financiación empresarial

4.13. Contexto macroeconómico

4.13.1. Contexto macroeconómico
4.13.2. Indicadores económicos relevantes
4.13.3. Mecanismos para el control de magnitudes macroeconómicas
4.13.4. Los ciclos económicos

4.14. Financiación estratégica

4.14.1. La autofinanciación
4.14.2. Ampliación de fondos propios
4.14.3. Recursos híbridos
4.14.4. Financiación a través de intermediarios

4.15. Mercados monetarios y de capitales

4.15.1. El Mercado Monetario
4.15.2. El Mercado de Renta Fija
4.15.3. El Mercado de Renta Variable
4.15.4. El Mercado de Divisas
4.15.5. El Mercado de Derivados

4.16. Análisis y planificación financiera

4.16.1. Análisis del Balance de Situación
4.16.2. Análisis de la Cuenta de Resultados
4.16.3. Análisis de la Rentabilidad

4.17. Análisis y resolución de casos/problemas

4.17.1. Información financiera de Industria de Diseño y Textil, S.A. (INDITEX)

Módulo 5. Dirección de operaciones y logística

5.1. Dirección y gestión de operaciones

5.1.1. La función de las operaciones
5.1.2. El impacto de las operaciones en la gestión de las empresas
5.1.3. Introducción a la estrategia de operaciones
5.1.4. La dirección de operaciones

5.2. Organización industrial y logística

5.2.1. Departamento de organización industrial
5.2.2. Departamento de logística

5.3. Estructura y tipos de producción (MTS, MTO, ATO, ETO, etc.)

5.3.1. Sistema de producción
5.3.2. Estrategia de producción
5.3.3. Sistema de gestión de inventario
5.3.4. Indicadores de producción

5.4. Estructura y tipos de aprovisionamiento

5.4.1. Función del aprovisionamiento
5.4.2. Gestión de aprovisionamiento
5.4.3. Tipos de compras
5.4.4. Gestión de compras de una empresa de forma eficiente
5.4.5. Etapas del proceso de decisión de la compra

5.5. Control económico de compras

5.5.1. Influencia económica de las compras
5.5.2. Centro de costes
5.5.3. Presupuestación
5.5.4. Presupuestación vs gasto real
5.5.5. Herramientas de control presupuestario

5.6. Control de las operaciones de almacén

5.6.1. Control de inventario
5.6.2. Sistema de ubicación
5.6.3. Técnicas de gestión de stock
5.6.4. Sistema de almacenamiento

5.7. Gestión estratégica de compras

5.7.1. Estrategia empresarial
5.7.2. Planeación estratégica
5.7.3. Estrategia de compras

5.8. Tipologías de la Cadena de Suministro (SCM)

5.8.1. Cadena de suministro
5.8.2. Beneficios de la gestión de la cadena suministro
5.8.3. Gestión logística en la cadena de suministro

5.9. Supply Chain management

5.9.1. Concepto de Gestión de la Cadena de Suministro (SCM)
5.9.2. Costes y eficiencia de la cadena de operaciones
5.9.3. Patrones de demanda
5.9.4. La estrategia de operaciones y el cambio

5.10. Interacciones de la SCM con todas las áreas

5.10.1. Interacción de la cadena de suministro
5.10.2. Interacción de la cadena de suministro. Integración por partes
5.10.3. Problemas de integración de la cadena de suministro
5.10.4. Cadena de suministro 4.0

5.11. Costes de la logística

5.11.1. Costes logísticos
5.11.2. Problemas de los costes logísticos
5.11.3. Optimización de costes logísticos

5.12. Rentabilidad y eficiencia de las cadenas logísticas: KPIS

5.12.1. Cadena logística
5.12.2. Rentabilidad y eficiencia de la cadena logística
5.12.3. Indicadores de rentabilidad y eficiencia de la cadena logística

5.13. Gestión de procesos

5.13.1. La gestión de procesos
5.13.2. Enfoque basado en procesos: Mapa de procesos
5.13.3. Mejoras en la gestión de procesos

5.14. Distribución y logística de transportes

5.14.1. Distribución en la cadena de suministro
5.14.2. Logística de transportes
5.14.3. Sistemas de Información Geográfica como soporte a la logística

5.15. Logística y clientes

5.15.1. Análisis de demanda
5.15.2. Previsión de demanda y ventas
5.15.3. Planificación de ventas y operaciones
5.15.4. Planeamiento participativo, pronóstico y reabastecimiento (CPFR)

5.16. Logística internacional

5.16.1. Procesos de exportación e importación
5.16.2. Aduanas
5.16.3. Formas y medios de pago internacionales
5.16.4. Plataformas logísticas a nivel internacional

5.17. Outsourcing de operaciones

5.17.1. Gestión de operaciones y Outsourcing
5.17.2. Implantación del outsourcing en entornos logísticos

5.18. Competitividad en operaciones

5.18.1. Gestión de operaciones
5.18.2. Competitividad operacional
5.18.3. Estrategia de operaciones y ventajas competitivas

5.19. Gestión de la calidad

5.19.1. Cliente interno y cliente externo
5.19.2. Los costes de calidad
5.19.3. La mejora continua y la filosofía de Deming

Módulo 6. Dirección de sistemas de información

6.1. Entornos tecnológicos

6.1.1. Tecnología y globalización
6.1.2. Entorno económico y tecnología
6.1.3. Entorno tecnológico y su impacto en las empresas

6.2. Sistemas y tecnologías de la información en la empresa

6.2.1. Evolución del modelo de IT
6.2.2. Organización y departamento IT
6.2.3. Tecnologías de la información y entorno económico

6.3. Estrategia corporativa y estrategia tecnológica

6.3.1. Creación de valor para clientes y accionistas
6.3.2. Decisiones estratégicas de SI/TI
6.3.3. Estrategia corporativa vs. estrategia tecnológica y digital

6.4. Dirección de Sistemas de Información

6.4.1. Gobierno Corporativo de la tecnología y los sistemas de información
6.4.2. Dirección de los sistemas de información en las empresas
6.4.3. Directivos expertos en sistemas de información: Roles y funciones

6.5. Planificación estratégica de Sistemas de Información

6.5.1. Sistemas de información y estrategia corporativa
6.5.2. Planificación estratégica de los sistemas de información
6.5.3. Fases de la planificación estratégica de los sistemas de información

6.6. Sistemas de información para la toma de decisiones

6.6.1. Business Intelligence
6.6.2. Data Warehouse
6.6.3. BSC o Cuadro de Mando Integral

6.7. Explorando la información

6.7.1. SQL: Bases de datos relacionales. Conceptos básicos
6.7.2. Redes y comunicaciones
6.7.3. Sistema operacional: Modelos de datos normalizados
6.7.4. Sistema estratégico: OLAP, modelo multidimensional y dashboards gráfico
6.7.5. Análisis estratégico de BBDD y composición de informes

6.8. Business Intelligence empresarial

6.8.1. El mundo del dato
6.8.2. Conceptos relevantes
6.8.3. Principales características
6.8.4. Soluciones en el mercado actual
6.8.5. Arquitectura global de una solución BI
6.8.6. Ciberseguridad en BI y Data Science

6.9. Nuevo concepto empresarial

6.9.1. ¿Por qué BI?
6.9.2. Obtención de la información
6.9.3. BI en los distintos departamentos de la empresa
6.9.4. Razones para invertir en BI

6.10. Herramientas y soluciones BI

6.10.1. ¿Cómo elegir la mejor herramienta?
6.10.2. Microsoft Power BI, MicroStrategy y Tableau
6.10.3. SAP BI, SAS BI y Qlikview
6.10.4. Prometeus

6.11. Planificación y dirección Proyecto BI

6.11.1. Primeros pasos para definir un proyecto de BI
6.11.2. Solución BI para la empresa
6.11.3. Toma de requisitos y objetivos

6.12. Aplicaciones de gestión corporativa

6.12.1. Sistemas de información y gestión corporativa
6.12.2. Aplicaciones para la gestión corporativa
6.12.3. Sistemas Enterpise Resource Planning o ERP

6.13. Transformación digital

6.13.1. Marco conceptual de la transformación digital
6.13.2. Transformación digital; elementos clave, beneficios e inconvenientes
6.13.3. Transformación digital en las empresas

6.14. Tecnologías y tendencias

6.14.1. Principales tendencias en el ámbito de la tecnología que están cambiando los modelos de negocio
6.14.2. Análisis de las principales tecnologías emergentes

6.15. Outsourcing de TI

6.15.1. Marco conceptual del outsourcing
6.15.2. Outsourcing de TI y su impacto en los negocios
6.15.3. Claves para implementar proyectos corporativos de outsourcing de TI

Módulo 7. Gestión comercial, Marketing estratégico y comunicación corporativa

7.1. Dirección comercial

7.1.1. Marco conceptual de la dirección comercial
7.1.2. Estrategia y planificación comercial
7.1.3. El rol de los directores comerciales

7.2. Marketing

7.2.1. Concepto de Marketing
7.2.2. Elementos básicos del Marketing
7.2.3. Actividades de Marketing de la empresa

7.3. Gestión estratégica del Marketing

7.3.1. Concepto de Marketing estratégico
7.3.2. Concepto de planificación estratégica de Marketing
7.3.3. Etapas del proceso de planificación estratégica de Marketing

7.4. Marketing digital y comercio electrónico

7.4.1. Objetivos del Marketing digital y comercio electrónico
7.4.2. Marketing digital y medios que emplea
7.4.3. Comercio electrónico. Contexto general
7.4.4. Categorías del comercio electrónico
7.4.5. Ventajas y desventajas del E-Commerce frente al comercio tradicional

7.5. Managing Digital Business

7.5.1. Estrategia competitiva ante la creciente digitalización de los medios
7.5.2. Diseño y creación de un plan de Marketing digital
7.5.3. Análisis del ROI en un plan de Marketing digital

7.6. Marketing digital para reforzar la marca

7.6.1. Estrategias online para mejorar la reputación de tu marca
7.6.2. Branded Content & storytelling

7.7. Estrategia de Marketing digital

7.7.1. Definir la estrategia del Marketing digital
7.7.2. Herramientas de la estrategia de Marketing digital

7.8. Marketing digital para captar y fidelizar clientes

7.8.1. Estrategias de fidelización y vinculación a través de Internet
7.8.2. Visitor Relationship Management
7.8.3. Hipersegmentación

7.9. Gestión de campañas digitales

7.9.1. ¿Qué es una campaña de Publicidad digital?
7.9.2. Pasos para lanzar una campaña de Marketing online
7.9.3. Errores de las campañas de Publicidad digital

7.10. Plan de Marketing online

7.10.1. ¿Qué es una un plan de Marketing online?
7.10.2. Pasos para crear un plan de Marketing online
7.10.3. Ventajas de disponer un plan de Marketing online

7.11. Blended Marketing

7.11.1. ¿Qué es el Blended Marketing?
7.11.2. Diferencias entre Marketing Online y Offline
7.11.3. Aspectos a tener en cuenta en la estrategia de Blended Marketing
7.11.4. Características de una estrategia de Blended Marketing
7.11.5. Recomendaciones en Blended Marketing
7.11.6. Beneficios del Blended Marketing

7.12. Estrategia de ventas

7.12.1. Estrategia de ventas
7.12.2. Métodos de ventas

7.13. Comunicación corporativa

7.13.1. Concepto
7.13.2. Importancia de la comunicación en la organización
7.13.3. Tipo de la comunicación en la organización
7.13.4. Funciones de la comunicación en la organización
7.13.5. Elementos de la comunicación
7.13.6. Problemas de la comunicación
7.13.7. Escenarios de la comunicación

7.14. Estrategia de Comunicación Corporativa

7.14.1. Programas de motivación, acción social, participación y entrenamiento con RR.HH
7.14.2. Instrumentos y soportes de comunicación interna
7.14.3. El plan de comunicación interna

7.15. Comunicación y reputación digital

7.15.1. Reputación online
7.15.2. ¿Cómo medir la reputación digital?
7.15.3. Herramientas de reputación online
7.15.4. Informe de reputación online
7.15.5. Branding online

Módulo 8. Investigación de mercados, publicidad y dirección comercial

8.1. Investigación de mercados

8.1.1. Investigación de mercados: Origen histórico
8.1.2. Análisis y evolución del marco conceptual de la investigación de mercados
8.1.3. Elementos claves y aportación de valor de la investigación de mercados

8.2. Métodos y técnicas de investigación cuantitativas

8.2.1. Tamaño muestral
8.2.2. Muestreo
8.2.3. Tipos de técnicas cuantitativas

8.3. Métodos y técnicas de investigación cualitativas

8.3.1. Tipos de investigación cualitativa
8.3.2. Técnicas de investigación cualitativa

8.4. Segmentación de mercados

8.4.1. Concepto de segmentación de mercados
8.4.2. Utilidad y requisitos de la segmentación
8.4.3. Segmentación de mercados de consumo
8.4.4. Segmentación de mercados industriales
8.4.5. Estrategias de segmentación
8.4.6. La segmentación con base a criterios del Marketing-Mix
8.4.7. Metodología de segmentación del mercado

8.5. Gestión de proyectos de investigación

8.5.1. La Investigación de mercados como un proceso
8.5.2. Etapas de planificación en la investigación de mercados
8.5.3. Etapas de ejecución en la investigación de mercados
8.5.4. Gestión de un proyecto de investigación

8.6. La investigación de mercados internacionales

8.6.1. Investigación de mercados internacionales
8.6.2. Proceso de la investigación de mercados internacionales
8.6.3. La importancia de las fuentes secundarias en las investigaciones de mercado internacionales

8.7. Los estudios de viabilidad

8.7.1. Concepto y utilidad
8.7.2. Esquema de un estudio de viabilidad
8.7.3. Desarrollo de un estudio de viabilidad

8.8. Publicidad

8.8.1. Antecedentes históricos de la Publicidad
8.8.2. Marco conceptual de la Publicidad: Principios, concepto de briefing y posicionamiento
8.8.3. Agencias de publicidad, agencias de medios y profesionales de la Publicidad
8.8.4. Importancia de la publicidad en los negocios
8.8.5. Tendencias y retos de la Publicidad

8.9. Desarrollo del plan de Marketing

8.9.1. Concepto del plan de Marketing
8.9.2. Análisis y diagnóstico de la situación
8.9.3. Decisiones estratégicas de Marketing
8.9.4. Decisiones operativas de Marketing

8.10. Estrategias de promoción y merchandising

8.10.1. Comunicación de Marketing Integrada
8.10.2. Plan de Comunicación Publicitaria
8.10.3. El merchandising como técnica de Comunicación

8.11. Planificación de medios

8.11.1. Origen y evolución de la planificación de medios
8.11.2. Medios de comunicación
8.11.3. Plan de medios

8.12. Fundamentos de la dirección comercial

8.12.1. La función de la dirección comercial
8.12.2. Sistemas de análisis de la situación competitiva comercial empresa/mercado
8.12.3. Sistemas de planificación comercial de la empresa
8.12.4. Principales estrategias competitivas

8.13. Negociación comercial

8.13.1. Negociación comercial
8.13.2. Las cuestiones psicológicas de la negociación
8.13.3. Principales métodos de negociación
8.13.4. El proceso negociador

8.14. Toma de decisiones en gestión comercial

8.14.1. Estrategia comercial y estrategia competitiva
8.14.2. Modelos de toma de decisiones
8.14.3. Analíticas y herramientas para la toma de decisiones
8.14.4. Comportamiento humano en la toma de decisiones

8.15. Dirección y gestión de la red de ventas

8.15.1. Sales Management. Dirección de ventas
8.15.2. Redes al servicio de la actividad comercial
8.15.3. Políticas de selección y formación de vendedores
8.15.4. Sistemas de remuneración de las redes comercial propias y externas
8.15.5. Gestión del proceso comercial. Control y asistencia a la labor de los comerciales basándose en la información

8.16. Implementación de la función comercial

8.16.1. Contratación de comerciales propios y agentes comerciales
8.16.2. Control de la actividad comercial
8.16.3. El código deontológico del personal comercial
8.16.4. Cumplimiento normativo
8.16.5. Normas comerciales de conducta generalmente aceptadas

8.17. Gestión de cuentas clave

8.17.1. Concepto de la gestión de cuentas clave
8.17.2. El Key Account Manager
8.17.3. Estrategia de la gestión de cuentas clave

8.18. Gestión financiera y presupuestaria

8.18.1. El umbral de rentabilidad
8.18.2. El presupuesto de ventas. Control de gestión y del plan anual de ventas
8.18.3. Impacto financiero de las decisiones estratégicas comerciales
8.18.4. Gestión del ciclo, rotaciones, rentabilidad y liquidez
8.18.5. Cuenta de resultados

Módulo 9. Innovación y dirección de proyectos

9.1. Innovación

9.1.1. Introducción a la innovación
9.1.2. Innovación en el ecosistema empresarial
9.1.3. Instrumentos y herramientas para el proceso de innovación empresarial

9.2. Estrategia de innovación

9.2.1. Inteligencia estratégica e innovación
9.2.2. Estrategia de innovación

9.3. Project Management para startups

9.3.1. Concepto de startup
9.3.2. Filosofía lean startup
9.3.3. Etapas del desarrollo de una startup
9.3.4. El rol de un gestor de proyectos en una startup

9.4. Diseño y validación del modelo de negocio

9.4.1. Marco conceptual de un modelo de negocio
9.4.2. Diseño validación de modelos de negocio

9.5. Dirección y gestión de proyectos

9.5.1. Dirección y gestión de proyectos: Identificación de oportunidades para desarrollar proyectos corporativos de innovación
9.5.2. Principales etapas o fases de la dirección y gestión de proyectos de innovación

9.6. Gestión del cambio en proyectos: Gestión de la formación

9.6.1. Concepto de gestión del cambio
9.6.2. El proceso de gestión del cambio
9.6.3. La implementación del cambio

9.7. Gestión de la comunicación de proyectos

9.7.1. Gestión de las comunicaciones del proyecto
9.7.2. Conceptos clave para la gestión de las comunicaciones
9.7.3. Tendencias emergentes
9.7.4. Adaptaciones al equipo
9.7.5. Planificar la gestión de las comunicaciones
9.7.6. Gestionar las comunicaciones
9.7.7. Monitorear las comunicaciones

9.8. Metodologías tradicionales e innovadoras

9.8.1. Metodologías innovadoras
9.8.2. Principios básicos del Scrum
9.8.3. Diferencias entre los aspectos principales del Scrum y las metodologías tradicionales

9.9. Creación de una startup

9.3.1. Creación de una startup
9.3.2. Organización y cultura
9.3.3. Los diez principales motivos por los cuales fracasan las startups
9.3.4. Aspectos legales

9.10. Planificación de la gestión de riesgos en los proyectos

9.10.1. Planificar riesgos
9.10.2. Elementos para crear un plan de gestión de riesgos
9.10.3. Herramientas para crear un plan de gestión de riesgos
9.10.4. Contenido del plan de gestión de riesgos

Módulo 10. Management Directivo

10.1. General Management

10.1.1. Concepto de General Management
10.1.2. La acción del Manager General
10.1.3. El Director General y sus funciones
10.1.4. Transformación del trabajo de la dirección

10.2. El directivo y sus funciones. La cultura organizacional y sus enfoques

10.2.1. El directivo y sus funciones. La cultura organizacional y sus enfoques

10.3. Dirección de operaciones

10.3.1. Importancia de la dirección
10.3.2. La cadena de valor
10.3.3. Gestión de calidad

10.4. Oratoria y formación de portavoces

10.4.1. Comunicación interpersonal
10.4.2. Habilidades comunicativas e influencia
10.4.3. Barreras en la comunicación

10.5. Herramientas de comunicaciones personales y organizacional

10.5.1. La comunicación interpersonal
10.5.2. Herramientas de la comunicación interpersonal
10.5.3. La comunicación en la organización
10.5.4. Herramientas en la organización

10.6. Comunicación en situaciones de crisis

10.6.1. Crisis
10.6.2. Fases de la crisis
10.6.3. Mensajes: Contenidos y momentos

10.7. Preparación de un plan de crisis

10.7.1. Análisis de posibles problemas
10.7.2. Planificación
10.7.3. Adecuación del personal

10.8. Inteligencia emocional

10.8.1. Inteligencia emocional y comunicación
10.8.2. Asertividad, empatía y escucha activa
10.8.3. Autoestima y comunicación emocional

10.9. Branding personal

10.9.1. Estrategias para desarrollar la marca personal
10.9.2. Leyes del branding personal
10.9.3. Herramientas de la construcción de marcas personales

10.10. Liderazgo y gestión de equipos

10.10.1. Liderazgo y estilos de liderazgo
10.10.2. Capacidades y desafíos del líder
10.10.3. Gestión de procesos de cambio
10.10.4. Gestión de equipos multiculturales

Módulo 11. Fundamentos de la Inteligencia Artificial

11.1. Historia de la Inteligencia Artificial

11.1.1. ¿Cuándo se empieza a hablar de Inteligencia Artificial?
11.1.2. Referentes en el cine
11.1.3. Importancia de la Inteligencia Artificial
11.1.4. Tecnologías que habilitan y dan soporte a la Inteligencia Artificial

11.2. La Inteligencia Artificial en juegos

11.2.1. Teoría de Juegos
11.2.2. Minimax y poda Alfa-Beta
11.2.3. Simulación: Monte Carlo

11.3. Redes de neuronas

11.3.1. Fundamentos biológicos
11.3.2. Modelo computacional
11.3.3. Redes de neuronas supervisadas y no supervisadas
11.3.4. Perceptrón simple
11.3.5. Perceptrón multicapa

11.4. Algoritmos genéticos

11.4.1. Historia
11.4.2. Base biológica
11.4.3. Codificación de problemas
11.4.4. Generación de la población inicial
11.4.5. Algoritmo principal y operadores genéticos
11.4.6. Evaluación de individuos: Fitness

11.5. Tesauros, vocabularios, taxonomías

11.5.1. Vocabularios
11.5.2. Taxonomías
11.5.3. Tesauros
11.5.4. Ontologías
11.5.5. Representación del conocimiento: Web semántica

11.6. Web semántica

11.6.1. Especificaciones: RDF, RDFS y OWL
11.6.2. Inferencia/razonamiento
11.6.3. Linked Data

11.7. Sistemas expertos y DSS

11.7.1. Sistemas expertos
11.7.2. Sistemas de soporte a la decisión

11.8. Chatbots y asistentes virtuales

11.8.1. Tipos de asistentes: Asistentes por voz y por texto
11.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo
11.8.3. Integraciones: Web, Slack, Whatsapp, Facebook
11.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

11.9. Estrategia de implantación de IA
11.10. Futuro de la Inteligencia Artificial

11.10.1. Entendemos cómo detectar emociones mediante algoritmos
11.10.2. Creación de una personalidad: Lenguaje, expresiones y contenido
11.10.3. Tendencias de la Inteligencia Artificial
11.10.4. Reflexiones

Módulo 12. Tipos y ciclo de vida del dato

12.1. La estadística

12.1.1. Estadística: Estadística descriptiva, estadística inferencias
12.1.2. Población, muestra, individuo
12.1.3. Variables: Definición, escalas de medida

12.2. Tipos de datos estadísticos

12.2.1. Según tipo

12.2.1.1. Cuantitativos: Datos continuos y datos discretos
12.2.1.2. Cualitativos: Datos binomiales, datos nominales y datos ordinales

12.2.2. Según su forma

12.2.2.1. Numérico
12.2.2.2. Texto
12.2.2.3. Lógico

12.2.3. Según su fuente

12.2.3.1. Primarios
12.2.3.2. Secundarios

12.3. Ciclo de vida de los datos

12.3.1. Etapas del ciclo
12.3.2. Hitos del ciclo
12.3.3. Principios FAIR

12.4. Etapas iniciales del ciclo

12.4.1. Definición de metas
12.4.2. Determinación de recursos necesarios
12.4.3. Diagrama de Gantt
12.4.4. Estructura de los datos

12.5. Recolección de datos

12.5.1. Metodología de recolección
12.5.2. Herramientas de recolección
12.5.3. Canales de recolección

12.6. Limpieza del dato

12.6.1. Fases de la limpieza de datos
12.6.2. Calidad del dato
12.6.3. Manipulación de datos (con R)

12.7. Análisis de datos, interpretación y valoración de resultados

12.7.1. Medidas estadísticas
12.7.2. Índices de relación
12.7.3. Minería de datos

12.8. Almacén del dato (Datawarehouse)

12.8.1. Elementos que lo integran
12.8.2. Diseño
12.8.3. Aspectos a considerar

12.9. Disponibilidad del dato

12.9.1. Acceso
12.9.2. Utilidad
12.9.3. Seguridad

12.10. Aspectos Normativos

12.10.1. Ley de protección de datos
12.10.2. Buenas prácticas
12.10.3. Otros aspectos normativos

Módulo 13. El dato en la Inteligencia Artificial

13.1. Ciencia de datos

13.1.1. La ciencia de datos
13.1.2. Herramientas avanzadas para el científico de datos

13.2. Datos, información y conocimiento

13.2.1. Datos, información y conocimiento
13.2.2. Tipos de datos
13.2.3. Fuentes de datos

13.3. De los datos a la información

13.3.1. Análisis de Datos
13.3.2. Tipos de análisis
13.3.3. Extracción de información de un dataset

13.4. Extracción de información mediante visualización

13.4.1. La visualización como herramienta de análisis
13.4.2. Métodos de visualización
13.4.3. Visualización de un conjunto de datos

13.5. Calidad de los datos

13.5.1. Datos de calidad
13.5.2. Limpieza de datos
13.5.3. Preprocesamiento básico de datos

13.6. Dataset

13.6.1. Enriquecimiento del dataset
13.6.2. La maldición de la dimensionalidad
13.6.3. Modificación de nuestro conjunto de datos

13.7. Desbalanceo

13.7.1. Desbalanceo de clases
13.7.2. Técnicas de mitigación del desbalanceo
13.7.3. Balanceo de un dataset

13.8. Modelos no supervisados

13.8.1. Modelo no supervisado
13.8.2. Métodos
13.8.3. Clasificación con modelos no supervisados

13.9. Modelos supervisados

13.9.1. Modelo supervisado
13.9.2. Métodos
13.9.3. Clasificación con modelos supervisados

13.10. Herramientas y buenas prácticas

13.10.1. Buenas prácticas para un científico de datos
13.10.2. El mejor modelo
13.10.3. Herramientas útiles

Módulo 14. Minería de datos. Selección, preprocesamiento y transformación

14.1. La inferencia estadística

14.1.1. Estadística descriptiva vs Inferencia estadística
14.1.2. Procedimientos paramétricos
14.1.3. Procedimientos no paramétricos

14.2. Análisis exploratorio

14.2.1. Análisis descriptivo
14.2.2. Visualización
14.2.3. Preparación de datos

14.3. Preparación de datos

14.3.1. Integración y limpieza de datos
14.3.2. Normalización de datos
14.3.3. Transformando atributos

14.4. Los valores perdidos

14.4.1. Tratamiento de valores perdidos
14.4.2. Métodos de imputación de máxima verosimilitud
14.4.3. Imputación de valores perdidos usando aprendizaje automático

14.5. El ruido en los datos

14.5.1. Clases de ruido y atributos
14.5.2. Filtrado de ruido
14.5.3. El efecto del ruido

14.6. La maldición de la dimensionalidad

14.6.1. Oversampling
14.6.2. Undersampling
14.6.3. Reducción de datos multidimensionales

14.7. De atributos continuos a discretos

14.7.1. Datos continuos versus discretos
14.7.2. Proceso de discretización

14.8. Los datos

14.8.1. Selección de datos
14.8.2. Perspectivas y criterios de selección
14.8.3. Métodos de selección

14.9. Selección de instancias

14.9.1. Métodos para la selección de instancias
14.9.2. Selección de prototipos
14.9.3. Métodos avanzados para la selección de instancias

14.10. Preprocesamiento de datos en entornos big data

Módulo 15. Algoritmia y complejidad en Inteligencia Artificial

15.1. Introducción a las estrategias de diseño de algoritmos

15.1.1. Recursividad
15.1.2. Divide y conquista
15.1.3. Otras estrategias

15.2. Eficiencia y análisis de los algoritmos

15.2.1. Medidas de eficiencia
15.2.2. Medir el tamaño de la entrada
15.2.3. Medir el tiempo de ejecución
15.2.4. Caso peor, mejor y medio
15.2.5. Notación asintónica
15.2.6. Criterios de análisis matemático de algoritmos no recursivos
15.2.7. Análisis matemático de algoritmos recursivos
15.2.8. Análisis empírico de algoritmos

15.3. Algoritmos de ordenación

15.3.1. Concepto de ordenación
15.3.2. Ordenación de la burbuja
15.3.3. Ordenación por selección
15.3.4. Ordenación por inserción
15.3.5. Ordenación por mezcla (Merge_Sort)
15.3.6. Ordenación rápida (Quick_Sort)

15.4. Algoritmos con árboles

15.4.1. Concepto de árbol
15.4.2. Árboles binarios
15.4.3. Recorridos de árbol
15.4.4. Representar expresiones
15.4.5. Árboles binarios ordenados
15.4.6. Árboles binarios balanceados

15.5. Algoritmos con Heaps

15.5.1. Los Heaps
15.5.2. El algoritmo Heapsort
15.5.3. Las colas de prioridad

15.6. Algoritmos con grafos

15.6.1. Representación
15.6.2. Recorrido en anchura
15.6.3. Recorrido en profundidad
15.6.4. Ordenación topológica

15.7. Algoritmos greedy

15.7.1. La estrategia greedy
15.7.2. Elementos de la estrategia greedy
15.7.3. Cambio de monedas
15.7.4. Problema del viajante
15.7.5. Problema de la mochila

15.8. Búsqueda de caminos mínimos

15.8.1. El problema del camino mínimo
15.8.2. Arcos negativos y ciclos
15.8.3. Algoritmo de Dijkstra

15.9. Algoritmos greedy sobre grafos

15.9.1. El árbol de recubrimiento mínimo
15.9.2. El algoritmo de Prim
15.9.3. El algoritmo de Kruskal
15.9.4. Análisis de complejidad

15.10. Backtracking

15.10.1. El backtracking
15.10.2. Técnicas alternativas

Módulo 16. Sistemas inteligentes

16.1. Teoría de agentes

16.1.1. Historia del concepto
16.1.2. Definición de agente
16.1.3. Agentes en Inteligencia Artificial
16.1.4. Agentes en ingeniería de software

16.2. Arquitecturas de agentes

16.2.1. El proceso de razonamiento de un agente
16.2.2. Agentes reactivos
16.2.3. Agentes deductivos
16.2.4. Agentes híbridos
16.2.5. Comparativa

16.3. Información y conocimiento

16.3.1. Distinción entre datos, información y conocimiento
16.3.2. Evaluación de la calidad de los datos
16.3.3. Métodos de captura de datos
16.3.4. Métodos de adquisición de información
16.3.5. Métodos de adquisición de conocimiento

16.4. Representación del conocimiento

16.4.1. La importancia de la representación del conocimiento
16.4.2. Definición de representación del conocimiento a través de sus roles
16.4.3. Características de una representación del conocimiento

16.5. Ontologías

16.5.1. Introducción a los metadatos
16.5.2. Concepto filosófico de ontología
16.5.3. Concepto informático de ontología
16.5.4. Ontologías de dominio y ontologías de nivel superior
16.5.5. ¿Cómo construir una ontología?

16.6. Lenguajes para ontologías y software para la creación de ontologías

16.6.1. Tripletas RDF, Turtle y N
16.6.2. RDF Schema
16.6.3. OWL
16.6.4. SPARQL
16.6.5. Introducción a las diferentes herramientas para la creación de ontologías
16.6.6. Instalación y uso de Protégé

16.7. La web semántica

16.7.1. El estado actual y futuro de la web semántica
16.7.2. Aplicaciones de la web semántica

16.8. Otros modelos de representación del conocimiento

16.8.1. Vocabularios
16.8.2. Visión global
16.8.3. Taxonomías
16.8.4. Tesauros
16.8.5. Folksonomías
16.8.6. Comparativa
16.8.7. Mapas mentales

16.9. Evaluación e integración de representaciones del conocimiento

16.9.1. Lógica de orden cero
16.9.2. Lógica de primer orden
16.9.3. Lógica descriptiva
16.9.4. Relación entre diferentes tipos de lógica
16.9.5. Prolog: Programación basada en lógica de primer orden

16.10. Razonadores semánticos, sistemas basados en conocimiento y sistemas expertos

16.10.1. Concepto de razonador
16.10.2. Aplicaciones de un razonador
16.10.3. Sistemas basados en el conocimiento
16.10.4. MYCIN, historia de los sistemas expertos
16.10.5. Elementos y arquitectura de sistemas expertos
16.10.6. Creación de sistemas expertos

Módulo 17. Aprendizaje automático y minería de datos

17.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático

17.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento
17.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento
17.1.3. Etapas de los procesos de descubrimiento del conocimiento
17.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento
17.1.5. Características de los buenos modelos de aprendizaje automático
17.1.6. Tipos de información de aprendizaje automático
17.1.7. Conceptos básicos de aprendizaje
17.1.8. Conceptos básicos de aprendizaje no supervisado

17.2. Exploración y preprocesamiento de datos

17.2.1. Tratamiento de datos
17.2.2. Tratamiento de datos en el flujo de análisis de datos
17.2.3. Tipos de datos
17.2.4. Transformaciones de datos
17.2.5. Visualización y exploración de variables continuas
17.2.6. Visualización y exploración de variables categóricas
17.2.7. Medidas de correlación
17.2.8. Representaciones gráficas más habituales
17.2.9. Introducción al análisis multivariante y a la reducción de dimensiones

17.3. Árboles de decisión

17.3.1. Algoritmo ID
17.3.2. Algoritmo C
17.3.3. Sobreentrenamiento y poda
17.3.4. Análisis de resultados

17.4. Evaluación de clasificadores

17.4.1. Matrices de confusión
17.4.2. Matrices de evaluación numérica
17.4.3. Estadístico de Kappa
17.4.4. La curva ROC

17.5. Reglas de clasificación

17.5.1. Medidas de evaluación de reglas
17.5.2. Introducción a la representación gráfica
17.5.3. Algoritmo de recubrimiento secuencial

17.6. Redes neuronales

17.6.1. Conceptos básicos
17.6.2. Redes de neuronas simples
17.6.3. Algoritmo de backpropagation
17.6.4. Introducción a las redes neuronales recurrentes

17.7. Métodos bayesianos

17.7.1. Conceptos básicos de probabilidad
17.7.2. Teorema de Bayes
17.7.3. Naive Bayes
17.7.4. Introducción a las redes bayesianas

17.8. Modelos de regresión y de respuesta continua

17.8.1. Regresión lineal simple
17.8.2. Regresión lineal múltiple
17.8.3. Regresión logística
17.8.4. Árboles de regresión
17.8.5. Introducción a las máquinas de soporte vectorial (SVM)
17.8.6. Medidas de bondad de ajuste

17.9. Clustering

17.9.1. Conceptos básicos
17.9.2. Clustering jerárquico
17.9.3. Métodos probabilistas
17.9.4. Algoritmo EM
17.9.5. Método B-Cubed
17.9.6. Métodos implícitos

17.10. Minería de textos y procesamiento de lenguaje natural (NLP)

17.10.1. Conceptos básicos
17.10.2. Creación del corpus
17.10.3. Análisis descriptivo
17.10.4. Introducción al análisis de sentimientos

Módulo 18. Las redes neuronales, base de Deep Learning

18.1. Aprendizaje profundo

18.1.1. Tipos de aprendizaje profundo
18.1.2. Aplicaciones del aprendizaje profundo
18.1.3. Ventajas y desventajas del aprendizaje profundo

18.2. Operaciones

18.2.1. Suma
18.2.2. Producto
18.2.3. Traslado

18.3. Capas

18.3.1. Capa de entrada
18.3.2. Capa oculta
18.3.3. Capa de salida

18.4. Unión de capas y operaciones

18.4.1. Diseño de arquitecturas
18.4.2. Conexión entre capas
18.4.3. Propagación hacia adelante

18.5. Construcción de la primera red neuronal

18.5.1. Diseño de la red
18.5.2. Establecer los pesos
18.5.3. Entrenamiento de la red

18.6. Entrenador y optimizador

18.6.1. Selección del optimizador
18.6.2. Establecimiento de una función de pérdida
18.6.3. Establecimiento de una métrica

18.7. Aplicación de los Principios de las Redes Neuronales

18.7.1. Funciones de activación
18.7.2. Propagación hacia atrás
18.7.3. Ajuste de los parámetros

18.8. De las neuronas biológicas a las artificiales

18.8.1. Funcionamiento de una neurona biológica
18.8.2. Transferencia de conocimiento a las neuronas artificiales
18.8.3. Establecer relaciones entre ambas

18.9. Implementación de MLP (Perceptrón Multicapa) con Keras

18.9.1. Definición de la estructura de la red
18.9.2. Compilación del modelo
18.9.3. Entrenamiento del modelo

18.10. Hiperparámetros de fine tuning de Redes Neuronales

18.10.1. Selección de la función de activación
18.10.2. Establecer el learning rate
18.10.3. Ajuste de los pesos

Módulo 19. Entrenamiento de Redes Neuronales Profundas

19.1. Problemas de gradientes

19.1.1. Técnicas de optimización de gradiente
19.1.2. Gradientes estocásticos
19.1.3. Técnicas de inicialización de pesos

19.2. Reutilización de capas preentrenadas

19.2.1. Entrenamiento de transferencia de aprendizaje
19.2.2. Extracción de características
19.2.3. Aprendizaje profundo

19.3. Optimizadores

19.3.1. Optimizadores de descenso de gradiente estocástico
19.3.2. Optimizadores Adam y RMSprop
19.3.3. Optimizadores de momento

19.4. Programación de la tasa de aprendizaje

19.4.1. Control de tasa de aprendizaje automático
19.4.2. Ciclos de aprendizaje
19.4.3. Términos de suavizado

19.5. Sobreajuste

19.5.1. Validación cruzada
19.5.2. Regularización
19.5.3. Métricas de evaluación

19.6. Directrices prácticas

19.6.1. Diseño de modelos
19.6.2. Selección de métricas y parámetros de evaluación
19.6.3. Pruebas de hipótesis

19.7. Transfer Learning

19.7.1. Entrenamiento de transferencia de aprendizaje
19.7.2. Extracción de características
19.7.3. Aprendizaje profundo

19.8. Data Augmentation

19.8.1. Transformaciones de imagen
19.8.2. Generación de datos sintéticos
19.8.3. Transformación de texto

19.9. Aplicación práctica de Transfer Learning

19.9.1. Entrenamiento de transferencia de aprendizaje
19.9.2. Extracción de características
19.9.3. Aprendizaje profundo

19.10. Regularización

19.10.1. L y L
19.10.2. Regularización por máxima entropía
19.10.3. Dropout

Módulo 20. Personalización de modelos y entrenamiento con TensorFlow

20.1. TensorFlow

20.1.1. Uso de la biblioteca TensorFlow
20.1.2. Entrenamiento de modelos con TensorFlow
20.1.3. Operaciones con gráficos en TensorFlow

20.2. TensorFlow NumPy

20.2.1. Entorno computacional NumPy para TensorFlow
20.2.2. Utilización de los arrays NumPy con TensorFlow
20.2.3. Operaciones NumPy para los gráficos de TensorFlow

20.3. Personalización de modelos y algoritmos de entrenamiento

20.3.1. Construcción de modelos personalizados con TensorFlow
20.3.2. Gestión de parámetros de entrenamiento
20.3.3. Utilización de técnicas de optimización para el entrenamiento

20.4. Funciones y gráficos de TensorFlow

20.4.1. Funciones con TensorFlow
20.4.2. Utilización de gráficos para el entrenamiento de modelos
20.4.3. Optimización de gráficos con operaciones de TensorFlow

20.5. Carga y preprocesamiento de datos con TensorFlow

20.5.1. Carga de conjuntos de datos con TensorFlow
20.5.2. Preprocesamiento de datos con TensorFlow
20.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos

20.6. La API tfdata

20.6.1. Utilización de la API tfdata para el procesamiento de datos
20.6.2. Construcción de flujos de datos con tfdata
20.6.3. Uso de la API tfdata para el entrenamiento de modelos

20.7. El formato TFRecord

20.7.1. Utilización de la API TFRecord para la serialización de datos
20.7.2. Carga de archivos TFRecord con TensorFlow
20.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos

20.8. Capas de preprocesamiento de Keras

20.8.1. Utilización de la API de preprocesamiento de Keras
20.8.2. Construcción de pipelined de preprocesamiento con Keras
20.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos

20.9. El proyecto TensorFlow datasets

20.9.1. Utilización de TensorFlow Datasets para la carga de datos
20.9.2. Preprocesamiento de datos con TensorFlow Datasets
20.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos

20.10. Construcción de una aplicación de Deep Learning con TensorFlow

20.10.1. Aplicación práctica
20.10.2. Construcción de una aplicación de Deep Learning con TensorFlow
20.10.3. Entrenamiento de un modelo con TensorFlow
20.10.4. Utilización de la aplicación para la predicción de resultados

Módulo 21. Deep Computer Vision con Redes Neuronales Convolucionales

21.1. La arquitectura visual cortex

21.1.1. Funciones de la corteza visual
21.1.2. Teorías de la visión computacional
21.1.3. Modelos de procesamiento de imágenes

21.2. Capas convolucionales

21.2.1. Reutilización de pesos en la convolución
21.2.2. Convolución D
21.2.3. Funciones de activación

21.3. Capas de agrupación e implementación de capas de agrupación con Keras

21.3.1. Pooling y striding
21.3.2. Flattening
21.3.3. Tipos de pooling

21.4. Arquitecturas CNN

21.4.1. Arquitectura VGG
21.4.2. Arquitectura AlexNet
21.4.3. Arquitectura ResNet

21.5. Implementación de una CNN ResNet usando Keras

21.5.1. Inicialización de pesos
21.5.2. Definición de la capa de entrada
21.5.3. Definición de la salida

21.6. Uso de modelos preentrenados de Keras

21.6.1. Características de los modelos preentrenados
21.6.2. Usos de los modelos preentrenados
21.6.3. Ventajas de los modelos preentrenados

21.7. Modelos preentrenados para el aprendizaje por transferencia

21.7.1. El aprendizaje por transferencia
21.7.2. Proceso de aprendizaje por transferencia
21.7.3. Ventajas del aprendizaje por transferencia

21.8. Clasificación y localización en Deep Computer Vision

21.8.1. Clasificación de imágenes
21.8.2. Localización de objetos en imágenes
21.8.3. Detección de objetos

21.9. Detección de objetos y seguimiento de objetos

21.9.1. Métodos de detección de objetos
21.9.2. Algoritmos de seguimiento de objetos
21.9.3. Técnicas de rastreo y localización

21.10. Segmentación semántica

21.10.1. Aprendizaje profundo para segmentación semántica
21.10.2. Detección de bordes
21.10.3. Métodos de segmentación basados en reglas

Módulo 22. Procesamiento del Lenguaje Natural (NLP) con Redes Naturales Recurrentes (RNN) y atención

22.1. Generación de texto utilizando Redes Naturales Recurrentes

22.1.1. Entrenamiento de unas Redes Naturales Recurrentes para generación de texto
22.1.2. Generación de lenguaje natural con Redes Naturales Recurrentes
22.1.3. Aplicaciones de generación de texto con Redes Naturales Recurrentes

22.2. Creación del conjunto de datos de entrenamiento

22.2.1. Preparación de los datos para el entrenamiento de una Redes Naturales Recurrentes
22.2.2. Almacenamiento del conjunto de datos de entrenamiento
22.2.3. Limpieza y transformación de los datos
22.2.4. Análisis de sentimiento

22.3. Clasificación de opiniones con Redes Naturales Recurrentes

22.3.1. Detección de temas en los comentarios
22.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo

22.4. Red de codificador-decodificador para la traducción automática neuronal

22.4.1. Entrenamiento de una RNN para la traducción automática
22.4.2. Uso de una red encoder-decoder para la traducción automática
22.4.3. Mejora de la precisión de la traducción automática con Redes Naturales Recurrentes

22.5. Mecanismos de atención

22.5.1. Aplicación de mecanismos de atención en Redes Naturales Recurrentes
22.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos
22.5.3. Ventajas de los mecanismos de atención en las redes neuronales

22.6. Modelos Transformers

22.6.1. Uso de los modelos Transformers para Procesamiento de Lenguaje Natural
22.6.2. Aplicación de los modelos Transformers para visión
22.6.3. Ventajas de los modelos Transformers

22.7. Transformers para visión

22.7.1. Uso de los modelos Transformers para visión
22.7.2. Preprocesamiento de los datos de imagen
22.7.3. Entrenamiento de un modelo Transformers para visión

22.8. Librería de Transformers de Hugging Face

22.8.1. Uso de la librería de Transformers de Hugging Face
22.8.2. Aplicación de la librería de Transformers de Hugging Face
22.8.3. Ventajas de la librería de Transformers de Hugging Face

22.9. Otras librerías de Transformers. Comparativa

22.9.1. Comparación entre las distintas librerías de Transformers
22.9.2. Uso de las demás librerías de Transformers
22.9.3. Ventajas de las demás librerías de Transformers

22.10. Desarrollo de una aplicación de Procesamiento del Lenguaje Natural cony Atención. Aplicación práctica

22.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con Redes Naturales Recurrentes y atención
22.10.2. Uso de Redes Naturales Recurrentes, mecanismos de atención y modelos Transformers en la aplicación
22.10.3. Evaluación de la aplicación práctica

Módulo 23. Autoencoders, GANs y modelos de difusión

23.1. Representaciones de datos eficientes

23.1.1. Reducción de dimensionalidad
23.1.2. Aprendizaje profundo
23.1.3. Representaciones compactas

23.2. Realización de PCA con un codificador automático lineal incompleto

23.2.1. Proceso de entrenamiento
23.2.2. Implementación en Python
23.2.3. Utilización de datos de prueba

23.3. Codificadores automáticos apilados

23.3.1. Redes neuronales profundas
23.3.2. Construcción de arquitecturas de codificación
23.3.3. Uso de la regularización

23.4. Autocodificadores convolucionales

23.4.1. Diseño de modelos convolucionales
23.4.2. Entrenamiento de modelos convolucionales
23.4.3. Evaluación de los resultados

23.5. Eliminación de ruido de codificadores automáticos

23.5.1. Aplicación de filtros
23.5.2. Diseño de modelos de codificación
23.5.3. Uso de técnicas de regularización

23.6. Codificadores automáticos dispersos

23.6.1. Incrementar la eficiencia de la codificación
23.6.2. Minimizando el número de parámetros
23.6.3. Utilización de técnicas de regularización

23.7. Codificadores automáticos variacionales

23.7.1. Utilización de optimización variacional
23.7.2. Aprendizaje profundo no supervisado
23.7.3. Representaciones latentes profundas

23.8. Generación de imágenes MNIST de moda

23.8.1. Reconocimiento de patrones
23.8.2. Generación de imágenes
23.8.3. Entrenamiento de redes neuronales profundas

23.9. Redes adversarias generativas y modelos de difusión

23.9.1. Generación de contenido a partir de imágenes
23.9.2. Modelado de distribuciones de datos
23.9.3. Uso de redes adversarias

23.10. Implementación de los modelos

23.10.1. Aplicación práctica
23.10.2. Implementación de los modelos
23.10.3. Uso de datos reales
23.10.4. Evaluación de los resultados

Módulo 24. Computación Bioinspirada

24.1. Introducción a la Computación Bioinspirada

24.1.1. Introducción a la Computación Bioinspirada

24.2. Algoritmos de adaptación social

24.2.1. Computación bioinspirada basada en colonia de hormigas
24.2.2. Variantes de los algoritmos de colonias de hormigas
24.2.3. Computación basada en nubes de partículas

24.3. Algoritmos genéticos

24.3.1. Estructura general
24.3.2. Implementaciones de los principales operadores

24.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos

24.4.1. Algoritmo CHC
24.4.2. Problemas multimodales

24.5. Modelos de computación evolutiva (I)

24.5.1. Estrategias evolutivas
24.5.2. Programación evolutiva
24.5.3. Algoritmos basados en evolución diferencial

24.6. Modelos de computación evolutiva (II)

24.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)
24.6.2. Programación genética

24.7. Programación evolutiva aplicada a problemas de aprendizaje

24.7.1. Aprendizaje basado en reglas
24.7.2. Métodos evolutivos en problemas de selección de instancias

24.8. Problemas multiobjetivo

24.8.1. Concepto de dominancia
24.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo

24.9. Redes neuronales (I)

24.9.1. Introducción a las redes neuronales
24.9.2. Ejemplo práctico con redes neuronales

24.10. Redes neuronales (II)

24.10.1. Casos de uso de las redes neuronales en la investigación médica
24.10.2. Casos de uso de las redes neuronales en la economía
24.10.3. Casos de uso de las redes neuronales en la visión artificial

Módulo 25. Inteligencia Artificial: Estrategias y aplicaciones

25.1. Servicios financieros

25.1.1. Las implicaciones de la Inteligencia Artificial en los servicios financieros. Oportunidades y desafíos
25.1.2. Casos de uso
25.1.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.1.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

25.2.1. Implicaciones de la Inteligencia Artificial en el sector sanitario. Oportunidades y desafíos
25.2.2. Casos de uso

25.3. Riesgos Relacionados con el uso de la Inteligencia Artificial en el servicio sanitario

25.3.1. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.3.2. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.4. Retail

25.4.1. Implicaciones de la Inteligencia Artificial en retail. Oportunidades y desafíos
25.4.2. Casos de uso
25.4.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.4.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.5. Industria

25.5.1. Implicaciones de la Inteligencia Artificial en la Industria. Oportunidades y desafíos
25.5.2. Casos de uso

25.6. Riesgos potenciales relacionados con el uso de Inteligencia Artificial en la Industria

25.6.1. Casos de uso
25.6.2. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.6.3. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.7. Administración pública

25.7.1. Implicaciones de la Inteligencia Artificial en la Administración Pública. Oportunidades y desafíos
25.7.2. Casos de uso
25.7.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.7.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.8. Educación

25.8.1. Implicaciones de la Inteligencia Artificial en la educación. Oportunidades y desafíos
25.8.2. Casos de uso
25.8.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.8.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.9. Silvicultura y agricultura

25.9.1. Implicaciones de la Inteligencia Artificial en la silvicultura y la agricultura. Oportunidades y desafíos
25.9.2. Casos de uso
25.9.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.9.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

25.10. Recursos Humanos

25.10.1. Implicaciones de la Inteligencia Artificial en los Recursos Humanos. Oportunidades y desafíos
25.10.2. Casos de uso
25.10.3. Riesgos potenciales relacionados con el uso de Inteligencia Artificial
25.10.4. Potenciales desarrollos/usos futuros de la Inteligencia Artificial

Módulo 26. Mejora de la productividad en desarrollo de software con Inteligencia Artificial

26.1. Preparar un entorno de desarrollo adecuado

26.1.1. Selección de herramientas esenciales para desarrollo con Inteligencia Artificial
26.1.2. Configuración de las herramientas elegidas
26.1.3. Implementación de pipelines de CI/CD adaptados a proyectos con Inteligencia Artificial
26.1.4. Gestión eficiente de dependencias y versiones en entornos de desarrollo

26.2. Extensiones imprescindibles de Inteligencia Artificial para Visual Studio Code

26.2.1. Exploración y selección de extensiones de IA para Visual Studio Code
26.2.2. Integración de herramientas de análisis estático y dinámico en el IDE
26.2.3. Automatización de tareas repetitivas con extensiones específicas
26.2.4. Personalización del entorno de desarrollo para mejorar la eficiencia

26.3. Diseño No-code de Interfaces de Usuario con Flutterflow

26.3.1. Principios del diseño No-code y su aplicación en interfaces de usuario
26.3.2. Incorporación de elementos de Inteligencia Artificial en el diseño visual de interfaces
26.3.3. Herramientas y plataformas para la creación no-code de interfaces inteligentes
26.3.4. Evaluación y mejora continua de interfaces no-code con Inteligencia Artificial

26.4. Optimización de código usando ChatGPT

26.4.1. Identificar código duplicado
26.4.2. Refactorizar
26.4.3. Crear códigos legibles
26.4.4. Entender lo que hace un código
26.4.5. Mejora nombre de variables y funciones
26.4.6. Creación de documentación automática

26.5. Gestión de repositorios con IA usando ChagGPT

26.5.1. Automatización de procesos de control de versiones con técnicas de Inteligencia Artificial
26.5.2. Detección de conflictos y resolución automática en entornos colaborativos
26.5.3. Análisis predictivo de cambios y tendencias en repositorios de código
26.5.4. Mejoras en la organización y categorización de repositorios mediante Inteligencia Artificial

26.6. Integración de IA en gestión con bases de datos con AskYourDatabase

26.6.1. Optimización de consultas y rendimiento utilizando técnicas de Inteligencia Artificial
26.6.2. Análisis predictivo de patrones de acceso a bases de datos
26.6.3. Implementación de sistemas de recomendación para optimizar la estructura de la base de datos
26.6.4. Monitoreo y detección proactiva de posibles problemas en bases de datos

26.7. Búsqueda de fallos y creación de test unitarios con Inteligencia Artificial usando ChatGPT

26.7.1. Generación automática de casos de prueba mediante técnicas de Inteligencia Artificial
26.7.2. Detección temprana de vulnerabilidades y errores utilizando análisis estático con Inteligencia Artificial
26.7.3. Mejora de la cobertura de pruebas mediante la identificación de áreas críticas por IA

26.8. Pair programming con GitHub Copilot

26.8.1. Integración y uso efectivo de GitHub Copilot en sesiones de pair programming
26.8.2. Integración mejoras en la comunicación y colaboración entre desarrolladores con GitHub Copilot
26.8.3. Integración Estrategias para aprovechar al máximo las sugerencias de código generadas por GitHub Copilot
26.8.4. Integración casos de estudio y buenas prácticas en pair programming asistido por Inteligencia Artificial

26.9. Traducción automática entre lenguajes de Programación usando ChatGPT

26.9.1. Herramientas y servicios de traducción automática específicos para lenguajes de Programación
26.9.2. Adaptación de algoritmos de traducción automática a contextos de desarrollo
26.9.3. Mejora de la interoperabilidad entre diferentes lenguajes mediante traducción automática
26.9.4. Evaluación y mitigación de posibles desafíos y limitaciones en la traducción automática

26.10. Herramientas de Inteligencia Artificial recomendadas para mejorar la productividad

26.10.1. Análisis comparativo de herramientas de Inteligencia Artificial para el desarrollo de software
26.10.2. Integración de herramientas de IA en flujos de trabajo
26.10.3. Automatización de tareas rutinarias con herramientas de Inteligencia Artificial
26.10.4. Evaluación y selección de herramientas basada en el contexto y los requerimientos del proyecto

Módulo 27. Arquitectura del software con Inteligencia Artificial

27.1. Optimización y gestión del rendimiento en herramientas con Inteligencia Artificial con la ayuda de ChatGPT

27.1.1. Análisis y perfilado de rendimiento en herramientas con Inteligencia Artificial
27.1.2. Estrategias de optimización de algoritmos y modelos de Inteligencia Artificial
27.1.3. Implementación de técnicas de caching y paralelización para mejorar el rendimiento
27.1.4. Herramientas y metodologías para la monitorización continua del rendimiento en tiempo real

27.2. Escalabilidad en aplicaciones de Inteligencia Artificial usando ChatGPT

27.2.1. Diseño de arquitecturas escalables para aplicaciones de Inteligencia Artificial
27.2.2. Implementación de técnicas de particionamiento y distribución de carga
27.2.3. Manejo de flujos de trabajo y carga de trabajo en sistemas escalables
27.2.4. Estrategias para la expansión horizontal y vertical en entornos con demanda variable

27.3. Mantenibilidad de aplicaciones con Inteligencia Artificial usando ChatGPT

27.3.1. Principios de diseño para facilitar la mantenibilidad en proyectos de Inteligencia Artificial
27.3.2. Estrategias de documentación específicas para modelos y algoritmos de Inteligencia Artificial
27.3.3. Implementación de pruebas unitarias y de integración para facilitar el mantenimiento
27.3.4. Métodos para la refactorización y mejora continua en sistemas con componentes de Inteligencia Artificial

27.4. Diseño de sistemas de gran escala

27.4.1. Principios arquitectónicos para el diseño de sistemas de gran escala
27.4.2. Descomposición de sistemas complejos en microservicios
27.4.3. Implementación de patrones de diseño específicos para sistemas distribuidos
27.4.4. Estrategias para la gestión de la complejidad en arquitecturas de gran escala con componentes de Inteligencia Artificial

27.5. Almacenamiento de datos de gran escala para herramientas de Inteligencia Artificial

27.5.1. Selección de tecnologías de almacenamiento de datos escalables
27.5.2. Diseño de esquemas de bases de datos para el manejo eficiente de grandes volúmenes de datos
27.5.3. Estrategias de particionamiento y replicación en entornos de almacenamiento de datos masivos
27.5.4. Implementación de sistemas de gestión de datos para garantizar la integridad y disponibilidad en proyectos con Inteligencia Artificial

27.6. Estructuras de datos con Inteligencia Artificial usando ChatGPT

27.6.1. Adaptación de estructuras de datos clásicas para su uso en algoritmos de Inteligencia Artificial
27.6.2. Diseño y optimización de estructuras de datos específicas con ChatGPT
27.6.3. Integración de estructuras de datos eficientes en sistemas con procesamiento intensivo de datos
27.6.4. Estrategias para la manipulación y almacenamiento de datos en tiempo real en estructuras de datos con Inteligencia Artificial

27.7. Algoritmos de programación para productos con Inteligencia Artificial

27.7.1. Desarrollo e implementación de algoritmos específicos para aplicaciones con Inteligencia Artificial
27.7.2. Estrategias de selección de algoritmos según el tipo de problema y los requisitos del producto
27.7.3. Adaptación de algoritmos clásicos para su integración en sistemas de Inteligencia Artificial
27.7.4. Evaluación y comparación de rendimiento entre diferentes algoritmos en contextos de desarrollo con Inteligencia Artificial

27.8. Patrones diseño para desarrollo con Inteligencia Artificial

27.8.1. Identificación y aplicación de patrones de diseño comunes en proyectos con componentes de Inteligencia Artificial
27.8.2. Desarrollo de patrones específicos para la integración de modelos y algoritmos en sistemas existentes
27.8.3. Estrategias de implementación de patrones para mejorar la reusabilidad y mantenibilidad en proyectos de Inteligencia Artificial
27.8.4. Casos de estudio y buenas prácticas en la aplicación de patrones de diseño en arquitecturas con Inteligencia Artificial

27.9. Implementación de clean architecture usando ChatGPT

27.9.1. Principios y conceptos fundamentales de clean architecture
27.9.2. Adaptación de clean architecture a proyectos con componentes de Inteligencia Artificial
27.9.3. Implementación de capas y dependencias en sistemas con arquitectura limpia
27.9.4. Beneficios y desafíos de la implementación de clean architecture en el desarrollo de software con Inteligencia Artificial

27.10. Desarrollo de software seguro en aplicaciones web con DeepCode

27.10.1. Principios de seguridad en el desarrollo de software con componentes de Inteligencia Artificial
27.10.2. Identificación y mitigación de posibles vulnerabilidades en modelos y algoritmos de Inteligencia Artificial
27.10.3. Implementación de prácticas de desarrollo seguro en aplicaciones web con funcionalidades de Inteligencia Artificial
27.10.4. Estrategias para la protección de datos sensibles y la prevención de ataques en proyectos con Inteligencia Artificial

Módulo 28. Proyectos web con Inteligencia Artificial

28.1. Preparación del entorno de trabajo para desarrollo web con Inteligencia Artificial

28.1.1. Configuración de entornos de desarrollo web para proyectos con Inteligencia Artificial
28.1.2. Selección y preparación de herramientas esenciales para el desarrollo web con Inteligencia Artificial
28.1.3. Integración de bibliotecas y frameworks específicos para proyectos web con Inteligencia Artificial
28.1.4. Implementación de buenas prácticas en la configuración de entornos de desarrollo colaborativos

28.2. Creación de workspace para proyectos de Inteligencia Artificial con GitHub Copilot

28.2.1. Diseño y organización efectiva de workspaces para proyectos web con componentes de Inteligencia Artificial
28.2.2. Uso de herramientas de gestión de proyectos y control de versiones en el workspace
28.2.3. Estrategias para la colaboración y comunicación eficientes en el equipo de desarrollo
28.2.4. Adaptación del workspace a las necesidades específicas de proyectos web con Inteligencia Artificial

28.3. Patrones de diseño en productos con GitHub Copilot

28.3.1. Identificación y aplicación de patrones de diseño comunes en interfaces de usuario con elementos de Inteligencia Artificial
28.3.2. Desarrollo de patrones específicos para mejorar la experiencia de usuario en proyectos web con Inteligencia Artificial
28.3.3. Integración de patrones de diseño en la arquitectura general de proyectos web con Inteligencia Artificial
28.3.4. Evaluación y selección de patrones de diseño adecuados según el contexto del proyecto

28.4. Desarrollo Frontend con GitHub Copilot

28.4.1. Integración de modelos de Inteligencia Artificial en la capa de presentación de proyectos web
28.4.2. Desarrollo de interfaces de usuario adaptativas con elementos de Inteligencia Artificial
28.4.3. Implementación de funcionalidades de Procesamiento de Lenguaje Naturalen el frontend
28.4.4. Estrategias para la optimización del rendimiento en el desarrollo frontend con Inteligencia Artificial

28.5. Creación de Base de Datos usando GitHub Copilot

28.5.1. Selección de tecnologías de bases de datos para proyectos web con Inteligencia Artificial
28.5.2. Diseño de esquemas de bases de datos para almacenar y gestionar datos relacionados con Inteligencia Artificial
28.5.3. Implementación de sistemas de almacenamiento eficientes para grandes volúmenes de datos generados por modelos de Inteligencia Artificial
28.5.4. Estrategias para la seguridad y protección de datos sensibles en bases de datos de proyectos web con Inteligencia Artificial

28.6. Desarrollo backend con GitHub Copilot

28.6.1. Integración de servicios y modelos de Inteligencia Artificial en la lógica de negocio del backend
28.6.2. Desarrollo de APIs y endpoints específicos para la comunicación entre el frontend y los componentes de Inteligencia Artificial
28.6.3. Implementación de lógica de procesamiento de datos y toma de decisiones en el backend con Inteligencia Artificial
28.6.4. Estrategias para la escalabilidad y rendimiento en el desarrollo backend de proyectos web con Inteligencia Artificial

28.7. Optimizar el proceso de despliegue de tu web

28.7.1. Automatización de procesos de construcción y despliegue de proyectos web con ChatGPT
28.7.2. Implementación de pipelines de CI/CD adaptados a aplicaciones web con GitHub Copilot
28.7.3. Estrategias para la gestión eficiente de versiones y actualizaciones en despliegues continuos
28.7.4. Monitoreo y análisis postdespliegue para la mejora continua del proceso

28.8. Inteligencia Artificial en la Computación en la Nube

28.8.1. Integración de servicios de Inteligencia Artificial en plataformas de computación en la nube
28.8.2. Desarrollo de soluciones escalables y distribuidas utilizando servicios de nube con capacidades de Inteligencia Artificial
28.8.3. Estrategias para el manejo eficiente de recursos y costos en entornos de nube con aplicaciones web con Inteligencia Artificial
28.8.4. Evaluación y comparación de proveedores de servicios en la nube para proyectos web con Inteligencia Artificial

28.9. Creación de un proyecto con Inteligencia Artificial para Entornos LAMP con la ayuda de ChatGPT

28.9.1. Adaptación de proyectos web basados en la pila LAMP para incluir componentes de Inteligencia Artificial
28.9.2. Integración de bibliotecas y frameworks específicos de Inteligencia Artificial en entornos LAMP
28.9.3. Desarrollo de funcionalidades de Inteligencia Artificial que complementan la arquitectura LAMP tradicional
28.9.4. Estrategias para la optimización y mantenimiento en proyectos web con Inteligencia Artificial en entornos LAMP

28.10. Creación de un proyecto con Inteligencia Artificial para entornos MEVN usando ChatGPT

28.10.1. Integración de tecnologías y herramientas de la pila MEVN con componentes de Inteligencia Artificial
28.10.2. Desarrollo de aplicaciones web modernas y escalables en entornos MEVN con capacidades de Inteligencia Artificial
28.10.3. Implementación de funcionalidades de procesamiento de datos y aprendizaje automático en proyectos MEVN
28.10.4. Estrategias para la mejora del rendimiento y la seguridad en aplicaciones web con Inteligencia Artificial en entornos MEVN

Módulo 29. Aplicaciones móviles con Inteligencia Artificial

29.1. Preparación de entorno de trabajo para desarrollo móvil con Inteligencia Artificial

29.1.1. Configuración de entornos de desarrollo móvil para proyectos con Inteligencia Artificial
29.1.2. Selección y preparación de herramientas específicas para el desarrollo de aplicaciones móviles con Inteligencia Artificial
29.1.3. Integración de bibliotecas y frameworks de IA en entornos de desarrollo móvil
29.1.4. Configuración de emuladores y dispositivos reales para pruebas de aplicaciones móviles con componentes de Inteligencia Artificial

29.2. Creación de un workspace con GitHub Copilot

29.2.1. Integración de GitHub Copilot en entornos de desarrollo móvil
29.2.2. Uso efectivo de GitHub Copilot para la generación de código en proyectos con Inteligencia Artificial
29.2.3. Estrategias para la colaboración entre desarrolladores al utilizar GitHub Copilot en el workspace
29.2.4. Buenas prácticas y limitaciones en el uso de GitHub Copilot en el desarrollo de aplicaciones móviles con Inteligencia Artificial

29.3. Configuración de Firebase

29.3.1. Configuración inicial de un proyecto en Firebase para el desarrollo móvil
29.3.2. Integración de Firebase en aplicaciones móviles con funcionalidades de Inteligencia Artificial
29.3.3. Uso de servicios de Firebase como base de datos, autenticación y notificaciones en proyectos con Inteligencia Artificial
29.3.4. Estrategias para la gestión de datos y eventos en tiempo real en aplicaciones móviles con Firebase

29.4. Conceptos de clean architecture, datasources, repositories

29.4.1. Principios fundamentales de clean architecture en el desarrollo móvil con Inteligencia Artificial
29.4.2. Implementación de capas de datasources y repositories con GitHub Copilot
29.4.3. Diseño y estructuración de componentes en proyectos móviles con GitHub Copilot
29.4.4. Beneficios y desafíos de la implementación de clean architecture en aplicaciones móviles con Inteligencia Artificial

29.5. Creación de pantalla de autenticación con GitHub Copilot

29.5.1. Diseño y desarrollo de interfaces de usuario para pantallas de autenticación en aplicaciones móviles con Inteligencia Artificial
29.5.2. Integración de servicios de autenticación con Firebase en la pantalla de inicio de sesión
29.5.3. Uso de técnicas de seguridad y protección de datos en la pantalla de autenticación
29.5.4. Personalización y adaptación de la experiencia de usuario en la pantalla de autenticación

29.6. Creación de dashboard y navegación con GitHub Copilot

29.6.1. Diseño y desarrollo de dashboards con elementos de Inteligencia Artificial
29.6.2. Implementación de sistemas de navegación eficientes en aplicaciones móviles con Inteligencia Artificial
29.6.3. Integración de funcionalidades de Inteligencia Artificial en el dashboard para mejorar la experiencia del usuario

29.7. Creación de pantalla con listado usando GitHub Copilot

29.7.1. Desarrollo de interfaces de usuario para pantallas con listados en aplicaciones móviles con Inteligencia Artificial
29.7.2. Integración de algoritmos de recomendación y filtrado en la pantalla de listado
29.7.3. Uso de patrones de diseño para la presentación efectiva de datos en el listado
29.7.4. Estrategias para la carga eficiente de datos en tiempo real en la pantalla con listado

29.8. Creación de pantalla de detalle con GitHub Copilot

29.8.1. Diseño y desarrollo de interfaces de usuario detalladas para la presentación de información específica
29.8.2. Integración de funcionalidades de Inteligencia Artificial para enriquecer la pantalla de detalle
29.8.3. Implementación de interacciones y animaciones en la pantalla de detalle
29.8.4. Estrategias para la optimización del rendimiento en la carga y visualización de detalles en aplicaciones móviles con Inteligencia Artificial

29.9. Creación de pantalla de settings con GitHub Copilot

29.9.1. Desarrollo de interfaces de usuario para configuración y ajustes en aplicaciones móviles con Inteligencia Artificial
29.9.2. Integración de ajustes personalizados relacionados con componentes de Inteligencia Artificial
29.9.3. Implementación de opciones de personalización y preferencias en la pantalla de configuración
29.9.4. Estrategias para la usabilidad y claridad en la presentación de opciones en la pantalla de settings

29.10. Crear iconos, splash y recursos gráficos para tu app con Inteligencia Artificial

29.10.1. Diseño y creación de iconos atractivos para representar la aplicación móvil con Inteligencia Artificial
29.10.2. Desarrollo de pantallas de inicio (splash) con elementos visuales impactantes
29.10.3. Selección y adaptación de recursos gráficos que mejoren la estética de la aplicación móvil
29.10.4. Estrategias para la consistencia y branding visual en los elementos gráficos de la aplicación con Inteligencia Artificial

Módulo 30. Inteligencia Artificial para QA testing

30.1. Ciclo de vida de testing

30.1.1. Descripción y comprensión del ciclo de vida de testing en el desarrollo de software
30.1.2. Fases del ciclo de vida de testing y su importancia en el aseguramiento de la calidad
30.1.3. Integración de la inteligencia Artificial en diferentes etapas del ciclo de vida de testing
30.1.4. Estrategias para la mejora continua del ciclo de vida de testing mediante el uso de Inteligencia Artificial

30.2. Test cases y detección de bugs con ayuda de ChatGPT

30.2.1. Diseño y escritura efectiva de casos de prueba en el contexto de QA testing
30.2.2. Identificación de bugs y errores durante la ejecución de casos de prueba
30.2.3. Aplicación de técnicas de detección temprana de bugs mediante análisis estático
30.2.4. Uso de herramientas de Inteligencia Artificial para la identificación automática de bugs en test cases

30.3. Tipos de Testing

30.3.1. Exploración de diferentes tipos de testing en el ámbito de QA
30.3.2. Pruebas unitarias, integración, funcionales, y de aceptación: características y aplicaciones
30.3.3. Estrategias para la selección y combinación adecuada de tipos de testing en proyectos con ChatGPT
30.3.4. Adaptación de tipos de testing convencionales a proyectos con ChatGPT

30.4. Crear un Plan de Pruebas usando ChatGPT

30.4.1. Diseño y estructuración de un plan de pruebas integral
30.4.2. Identificación de requisitos y escenarios de prueba en proyectos con Inteligencia Artificial
30.4.3. Estrategias para la planificación de pruebas manuales y automatizadas
30.4.4. Evaluación y ajuste continuo del plan de pruebas en función del desarrollo del proyecto

30.5. Detección y reportar bugs con Inteligencia Artificial

30.5.1. Implementación de técnicas de detección automática de bugs mediante algoritmos de aprendizaje automático
30.5.2. Uso de ChatGPT para el análisis dinámico de código en busca de posibles errores
30.5.3. Estrategias para la generación automática de informes detallados sobre bugs detectados usando ChatGPT
30.5.4. Colaboración efectiva entre equipos de desarrollo y QA en la gestión de bugs identificados por Inteligencia Artificial

30.6. Creación de pruebas automatizadas con Inteligencia Artificial

30.6.1. Desarrollo de scripts de prueba automatizados para proyectos usando ChatGPT
30.6.2. Integración de herramientas de automatización de pruebas basadas en Inteligencia Artificial
30.6.3. Uso de ChatGPT para la generación dinámica de casos de prueba automatizados
30.6.4. Estrategias para la ejecución eficiente y mantenimiento de pruebas automatizadas en proyectos con Inteligencia Artificial

30.7. API testing

30.7.1. Conceptos fundamentales de API testing y su importancia en QA
30.7.2. Desarrollo de pruebas para la verificación de APIs en entornos usando ChatGPT
30.7.3. Estrategias para la validación de datos y resultados en API testing con ChatGPT
30.7.4. Uso de herramientas específicas para el testing de APIs en proyectos con inteligencia artificial

30.8. Herramientas de Inteligencia Artificial para web testing

30.8.1. Exploración de herramientas de Inteligencia Artificial para la automatización de pruebas en entornos web
30.8.2. Integración de tecnologías de reconocimiento de elementos y análisis visual en web testing
30.8.3. Estrategias para la detección automática de cambios y problemas de rendimiento en aplicaciones web usando ChatGPT
30.8.4. Evaluación de herramientas específicas para la mejora de la eficiencia en el web testing con Inteligencia Artificial

30.9. Mobile testing mediante Inteligencia Artificial

30.9.1. Desarrollo de estrategias de testing para aplicaciones móviles con componentes de Inteligencia Artificial
30.9.2. Integración de herramientas de testing específicas para plataformas móviles basadas en Inteligencia Artificial
30.9.3. Uso de ChatGPT para la detección de problemas en el rendimiento de aplicaciones móviles
30.9.4. Estrategias para la validación de interfaces y funciones específicas de aplicaciones móviles mediante Inteligencia Artificial

30.10. Herramientas de QA con Inteligencia Artificial

30.10.1. Exploración de herramientas y plataformas de QA que incorporan funcionalidades de Inteligencia Artificial
30.10.2. Evaluación de herramientas para la gestión y ejecución eficiente de pruebas en proyectos con Inteligencia Artificial
30.10.3. Uso de ChatGPT para la generación y optimización de casos de prueba
30.10.4. Estrategias para la selección y adopción efectiva de herramientas de QA con capacidades de Inteligencia Artificial

Aumentarás tus conocimientos a partir de casos reales y la resolución de situaciones complejas en entornos simulados de aprendizaje”