Carrera técnica en ciencias de datos e inteligencia artificial

Público Objetivo

• Estudiantes de bachillerato o universidad interesados en tecnología y datos.
• Profesionales que deseen reconvertirse hacia áreas de IA y ciencia de datos.
• Emprendedores tecnológicos que quieran desarrollar soluciones basadas en datos.

Prerrequisitos

• Conocimientos básicos de informática.
• Nociones elementales de matemáticas y lógica.
• Deseable: conocimientos introductorios en programación (no excluyente).

CONTENIDO PROGRAMATICO

UNIDAD I: FUNDAMENTOS DE PROGRAMACIÓN PARA CIENCIA DE DATOS (80h)

Objetivo: Desarrollar competencias en programación con Python y herramientas básicas para el análisis de datos.

• MODULO 1: Introducción a la programación con Python
• MODULO 2: Estructuras de datos y algoritmos
• MODULO 3: Manipulación de datos con NumPy y Pandas
• MODULO 4: Uso de entornos como Jupyter y Google Colab

UNIDAD II: FUNDAMENTOS MATEMÁTICOS Y ESTADÍSTICOS PARA CIENCIA DE DATOS (60h)

Objetivo: Proporcionar al estudiante los conocimientos matemáticos esenciales para el análisis de datos, modelado estadístico y comprensión de algoritmos de inteligencia artificial, con énfasis en su aplicación práctica en proyectos reales.

• MODULO 1: Álgebra lineal aplicada a datos
• MODULO 2: Cálculo básico y derivadas
• MODULO 3: Probabilidad y estadística descriptiva
• MODULO 4: Inferencia estadística y visualización de datos

UNIDAD III: BASES DE DATOS Y ALMACENAMIENTO DE INFORMACIÓN (60h)

Objetivo: Capacitar en el diseño, consulta y administración de bases de datos relacionales y no relacionales.

Módulos:

• SQL y modelado relacional
• PostgreSQL y bases de datos avanzadas
• NoSQL: MongoDB y almacenamiento de documentos
• Acceso a datos desde Python

UNIDAD IV: ANÁLISIS Y VISUALIZACIÓN DE DATOS (60h)

Objetivo: Enseñar técnicas y herramientas para interpretar y comunicar resultados de análisis de datos.

Módulos:

• Exploración de datos con Pandas y Matplotlib
• Visualización avanzada con Seaborn y Plotly
• Storytelling y dashboards con Power BI
• Análisis exploratorio para modelos predictivos

UNIDAD V: MACHINE LEARNING Y MODELADO PREDICTIVO (100h)

Objetivo: Comprender y aplicar algoritmos de aprendizaje supervisado y no supervisado.

Módulos:

• Fundamentos del aprendizaje automático
• Modelos supervisados: regresión, árboles y SVM
• Modelos no supervisados: clustering, PCA
• Evaluación de modelos y métricas
• Proyecto práctico de ML

UNIDAD VI: INTELIGENCIA ARTIFICIAL Y DEEP LEARNING (100H)

Objetivo: Desarrollar soluciones de IA aplicando redes neuronales profundas.

Módulos:

• Fundamentos de IA y redes neuronales
• Redes neuronales con TensorFlow y Keras
• Deep Learning para imágenes y texto
• Transfer Learning y redes convolucionales
• Proyecto práctico con IA

UNIDAD VII: CIENCIA DE DATOS APLICADA Y AUTOMATIZACIÓN (80h)

Objetivo: Integrar los conocimientos en un flujo real de datos automatizado con enfoque profesional.

Módulos:

• Procesos ETL y automatización de pipelines
• Introducción al DataOps y MLOps
• Ciencia de datos en la nube (AWS/GCP)
• Presentación de proyectos y toma de decisiones

UNIDAD VIII: DESARROLLO PROFESIONAL Y CERTIFICACIONES (60h)

Objetivo: Preparar al estudiante para el mundo laboral y certificaciones internacionales.

Módulos:

• Portafolio de proyectos en GitHub y currículum técnico
• Soft Skills para el entorno tecnológico
• Simulación de entrevistas y procesos de selección
• Preparación para certificaciones como Data Analyst o TensorFlow Developer