Profesionales de sectores tradicionales, que necesitan adaptarse al nuevo entorno tecnológico. Mandos intermedios y directivos con toma de decisiones, que desean comprender el potencial de la IA y Big Data en sus organizaciones. Profesionales que buscan ampliar sus conocimientos técnicos y conceptuales. Emprendedores, que necesitan comprender estas tecnologías para incorporarlas a sus modelos de negocio. Profesionales del marketing, finanzas, recursos humanos y otros departamentos, que están interesados en tecnologías emergentes.

Este programa está diseñado para profesionales que buscan profundizar sus conocimientos en un entorno tecnológico, y para quienes desean actualizar sus competencias en un mercado laboral cada vez más digitalizado, con interés en comprender cómo estas tecnologías pueden transformar sus roles y organizaciones. Mediante la introducción a los fundamentos de la Inteligencia Artificial y el Big Data, los participantes podrán adquirir las habilidades necesarias para interpretar y utilizar datos de manera estratégica en sus respectivos campos profesionales. A lo largo de cuatro módulos, se adquirirán conocimientos sobre los conceptos fundamentales de IA, distintas fuentes de datos, bases de datos, características y aplicaciones del Big Data, herramientas básicas de análisis de datos, y metodologías para generar información relevante que ayude a la toma de decisiones.

Diseñado y organizado por la Facultad de Ingeniería.

8 encuentros virtuales | Miércoles de 19 a 21 hs. y Sábados de 9 a 12 hs. | 21, 28 y 31 de mayo | 4, 11, 18, 25 y 28 de junio |

25 horas totales. (18 horas de dictado + 7 horas de trabajos prácticos)

Objetivo general: proporcionar a los participantes una comprensión fundamental de la Inteligencia Artificial (IA) y el Big Data, permitiéndoles adquirir conocimientos teóricos y habilidades prácticas en análisis y procesamiento de datos. Se busca que los participantes puedan aplicar estos conocimientos en sus respectivos sectores para la toma de decisiones estratégicas basadas en datos. Objetivos Particulares Comprender los fundamentos de la IA y sus aplicaciones en distintos sectores, incluyendo sus paradigmas y herramientas clave. Desarrollar conocimientos sobre almacenamiento y procesamiento de datos, desde bases de datos tradicionales (SQL) hasta tecnologías avanzadas de Big Data. Adquirir competencias en análisis de datos utilizando Python, aprendiendo a manipular, explorar y visualizar datos de manera efectiva. Implementar técnicas de análisis de datos y visualización para transformar datos en información estratégica útil para la toma de decisiones. Fomentar la capacidad de aplicar los conocimientos adquiridos mediante un proyecto final que integre los conceptos de IA y Big Data en un caso práctico. Reflexionar sobre la ética y la responsabilidad en el uso de IA y datos, considerando aspectos de privacidad, sesgos y transparencia.

MÓDULO 1: Fundamentos de Inteligencia Artificial 1.Conceptos clave de Inteligencia Artificial 1.1.Definiciones y evolución de la IA 1.2.Agentes inteligentes 1.3.Tipos de IA: débil, fuerte 2.Perspectivas de la Inteligencia Artificial 2.1.Sistemas que razonan y actúan 2.2.IA simbólica: Representación del conocimiento, Sistemas basados en reglas y lógica, Razonamiento deductivo e inductivo, Sistemas expertos y bases de conocimiento 2.3.IA subsimbólica: aprendizaje automático, Redes neuronales artificiales 3.Aplicaciones de la Inteligencia Artificial 3.1.Transformación del trabajo 3.2.Nuevos roles y competencias 3.3.Casos de uso en educación, salud, finanzas y otros sectores 3.4.IA en la vida cotidiana: asistentes virtuales y chatbots, sistemas de recomendación, hogar inteligente y dispositivos conectados 3.5.Internet de las cosas 4.Ética y responsabilidad en IA 4.1.Sesgos en los algoritmos: Tipos y estrategias para la detección y mitigación 4.2.Privacidad y seguridad de los datos 4.3.IA explicable

MÓDULO 2: Almacenamiento de datos y Big Data 1.Fundamentos de datos 1.1.Definición y tipos de datos 1.2.Evolución histórica del manejo de datos 1.3.Fuentes de datos: internas y externas 1.4.Calidad y preparación de datos 2.SQL y bases de datos relacionales 2.1.Fundamentos de bases de datos relacionales 2.2.Lenguaje SQL: sintaxis y comandos básicos 2.3.Consultas, filtros y funciones de agregación. Joins y relaciones entre tablas 2.4.Diseño de bases de datos y normalización 3.Estructuras y tipos de datos 3.1.Datos estructurados y sus características 3.2.Datos no estructurados: documentos, imágenes, audio, video 3.3.Datos semi-estructurados: JSON, XML, registros web 3.4.Internet de las Cosas (IoT) como fuente de datos 3.5.Data warehouses tradicionales 4.Big Data y tecnologías avanzadas 4.1.Concepto y características del Big Data: las 5V 4.2.Ecosistema Hadoop y procesamiento distribuido 4.3.Bases de datos NoSQL y sus tipos 4.4.Procesamiento en tiempo real vs. procesamiento por lotes 4.5.Data lakes y arquitecturas modernas

MÓDULO 3: Análisis de Datos y Herramientas 1.Fundamentos del análisis de datos 1.1.Ciclo de vida del análisis de datos 1.2.Tipos de análisis: descriptivo, exploratorio, inferencial y predictivo 1.3.Metodologías: CRISP-DM, SEMMA, KDD 1.4.Roles y responsabilidades en el análisis de datos 2.Preparación y gestión de datos 2.1.Colección de datos: técnicas y consideraciones 2.2.Limpieza de datos: detección y manejo de outliers y valores faltantes 2.3.Transformación y normalización de datos 2.4.Integración de fuentes heterogéneas 2.5.Control de calidad de datos 3.Python para análisis de datos 3.1.Fundamentos de Python para ciencia de datos 3.2.Pandas: manipulación y análisis de datos tabulares 3.3.NumPy: computación numérica y científica 3.4.Jupyter Notebooks: entorno interactivo de desarrollo 3.5.Gestión de entornos y dependencias 4.Exploración y visualización de datos 4.1.Análisis exploratorio de datos (EDA): objetivos y técnicas 4.2.Estadística descriptiva: medidas de tendencia central y dispersión 4.3.Visualizaciones univariantes: histogramas, boxplots, estimación de densidades 4.4.Visualizaciones bivariantes: dispersión, correlación, heatmaps 4.5.Herramientas de visualización en Python

MÓDULO 4: Análisis de datos y toma de decisiones 1.Técnicas avanzadas de análisis y visualización 1.1.Análisis de series temporales 1.2.Análisis de texto y minería de datos 1.3.Visualizaciones multidimensionales y reducción de dimensionalidad 1.4.Dashboards interactivos con Streamlit o Dash 1.5.Comunicación efectiva de resultados y storytelling con datos 2.Comprensión de Insights 2.1.Significado y valor de los insights en el contexto de datos 2.2.Métodos de recolección y generación de insights 2.3.Del dato al conocimiento: transformación de información en acción 2.4.Beneficios organizacionales del uso de datos 3.Toma de decisiones 3.1.Métodos de análisis cualitativo para obtención de insights 3.2.Interpretación de resultados y construcción de narrativas 3.3.Implementaciones prácticas 3.4.Medición del impacto de decisiones basadas en insights 4.Casos de estudio y aplicaciones reales 4.1.Soluciones basadas en datos en diferentes industrias 4.2.Implementación de proyectos de IA y analítica avanzada 4.3.Desafíos prácticos y lecciones aprendidas 4.4.Retorno de inversión en proyectos de datos 4.5.El futuro de la IA y el Big Data

Aprobar el trabajo final con un mínimo de 7 puntos y Cumplir con el 70% mínimo de asistencia global del curso.

Enviar por mail la fotocopia de DNI (frente y dorso) cursos.ing@ucc.edu.ar

Los programas de Formación Continua otorgan certificados digitales oficiales de la Universidad Católica de Córdoba. No se considerarán una carrera, ni un ciclo inicial o título intermedio habilitante con reconocimiento nacional.

Plataforma Moodle Campus UCC + videoconferencias | Campus UCC | Facultad Ingeniería | Armada Argentina 3555 |