Modalidad: A distancia.

Objetivo General

Al finalizar el diplomado, el participante adquirirá habilidades para la gestión de proyectos de Ciencia de Datos alineados con los objetivos de la organización, partiendo de la exploración y análisis de datos, pasando por la creación de modelos de Machine Learning y soluciones de inteligencia de negocio, para finalmente implementarlas mediante el uso de tecnologías de la nube para gestionar la escalabilidad de las soluciones, considerando la ética y legalidad en el uso de la información así como la comunicación efectiva de los resultados.

Objetivos específicos

Al finalizar el diplomado, el participante será capaz de:

• Distinguir la diferencia entre Ciencia de Datos y Machine Learning así como sus aplicaciones.
• Usar comandos básicos de Linux y lenguajes de programación y herramientas orientados a la ciencia de datos como: Python, R, bash, github, PostgreSQL.
• Tener una noción para gestionar proyectos de Ciencia de Datos desde el diseño, la implementación y monitoreo alineados con objetivos de negocio.
• Conducir análisis estadístico y exploratorio de datos comunicando hallazgos mediante reportes y narrativas de datos.
• Competencia en consultas SQL enfocadas en el análisis de datos estructurados dentro del ámbito de la ciencia de datos.
• Crear soluciones básicas de inteligencia de negocio como dashboards y reportes utilizando herramientas de BI.
• Considerar la ética y legalidad del uso de datos antes de llevar a cabo una nueva propuesta de negocio o un nuevo producto de datos.
• Tener noción del uso de las tecnologías de la nube para gestionar datos a gran escala.
• Desarrollar, implementar y consumir modelos de Machine Learning en la nube.
• Comunicar efectivamente estrategias y resultados de datos.

Dirigido a

• Profesionales en Transición de Carrera: Personas que buscan cambiar a un rol orientado a datos desde campos no técnicos y desean adquirir una comprensión de los fundamentos y aplicaciones prácticas de la ciencia de datos.
• Profesionales de Administración y Negocios: Gerentes, analistas de negocios y otros profesionales que desean adquirir habilidades en ciencia de datos para mejorar la toma de decisiones y contribuir a iniciativas basadas en datos en sus organizaciones.
• Estudiantes de Posgrado y Recién Graduados: Personas que han completado estudios en campos relacionados (como matemáticas, estadística, economía, ingeniería, etc.) y buscan aplicar sus habilidades en el contexto de la ciencia de datos y negocios.
• Analistas de Datos: Profesionales que ya trabajan con datos y desean profundizar sus habilidades técnicas y estratégicas, y expandir su conocimiento en áreas como la ética de datos, ingeniería de datos y estrategias de negocios basadas en datos.
• Desarrolladores de Software: Programadores y desarrolladores que desean expandir sus habilidades hacia la ciencia de datos y aprender a implementar modelos y soluciones de datos en un contexto empresarial.
• Profesionales de Marketing y Ventas: Individuos en roles de marketing y ventas que buscan aprovechar los datos para obtener insights, mejorar la toma de decisiones y optimizar estrategias mediante el uso de análisis de datos y modelado predictivo.
• Investigadores y Académicos: Investigadores que desean adquirir habilidades prácticas en ciencia de datos para aplicar en sus proyectos de investigación y análisis de datos.
• Consultores y Emprendedores: Profesionales que buscan utilizar la ciencia de datos para mejorar sus consultorías o para implementar soluciones basadas en datos en sus propias startups o pequeñas empresas.

Requisitos previos

• Experiencia en análisis de datos en hojas de cálculo.
• Interés y resiliencia en aprender a programar.
• Bonus: Familiaridad con base datos y/o algún lenguaje de programación.

Esquema Curricular

Calendarización y Costo

Contenido por módulo

Módulo 1. Introducción a la Ciencia de Datos.

• Fundamentos de Ciencia de Datos.
• Herramientas y Plataformas de Ciencia de Datos como R, Github y Bash.
• Introducción a la Programación para la Ciencia de Datos en Python.
• Ética y Legalidad en el uso de datos.
• Análisis Exploratorio y Visualización de Datos.
• Feature Engineering.
• Desarrollo de modelos de Machine Learning.
• Métricas y Monitoreo de los modelos de Machine Learning.

Módulo 2. Business Intelligence.

• Tipos de visualización de datos.
• Introducción a Business Intelligence.
• Herramientas de Business Intelligence en la nube como Google Looker Studio.
• Desarrollo de Dashboards y Reportes de negocio.
• Data Storytelling - Comunicación y Visualización de Resultados.

Módulo 3. Bases de datos y Cultura de datos en las empresas.

• Introducción a SQL para ciencia de datos.
• Consultas en SQL usando PostgreSQL.
• Introducción a casos de uso en bases de datos NoSQL.
• Cultura de datos y su valor agregado.

Módulo 4. Introducción a Cloud Computing.

• Fundamentos de Cloud Computing.
• Almacenamiento en la nube (Google Cloud Storage).
• Introducción al cómputo en la nube (Cloud Functions/Compute Engine).
• Despliegue y consumo de un modelo sobre los servicios cloud.

Registro de Candidatos

Completar el formulario de registro.(https://forms.gle/wKmPnoWm2vnqw6z48).

Informes

Modalidad: A distancia.

Objetivo General

Al finalizar el diplomado, el participante aplicará los conocimientos adquiridos para proteger los ambientes informáticos empresariales, utilizando las técnicas, metodologías y herramientas de ciberseguridad apropiadas.

Objetivos específicos

El participante:

• Entenderá las principales amenazas informáticas y su alcance dentro de los sistemas de información.
• Valorará los riesgos y peligros potenciales en una red empresarial.
• Realizará auditorias informáticas con base a buenas prácticas de seguridad a los sistemas operativos de estaciones de trabajo y equipos servidores.
• Diseñará y planificará la implementación de controles de ciberseguridad que permitan minimizar los riesgos asociados a los ataques cibernéticos dirigidos a las empresas.
• Elaborará un conjunto de políticas de seguridad que permitan establecer controles administrativos para atender las necesidades de seguridad de la información de una empresa.
• Realizará auditorias de seguridad a sistemas web con base en la metodología de hacking ético.

Dirigido a

Profesionistas afines a las Tecnologías de Información que requieran implementar estándares y herramientas de ciberseguridad.

Esquema Curricular

Calendarización y Costo

Contenido por módulo

Módulo 1. Introducción a la ciberseguridad y tendencias.

1. Introducción a la Ciberseguridad
2. Evolución de las Amenazas y Tendencias de la Seguridad
   • Virus y Gusanos, Intrusos, Insiders.
   • Organizaciones delictivas.
   • Terroristas y la guerra de la información.
   • El origen, tipos y pasos de los ataques.
3. Mecanismos de Protección de la Información
   • El menor privilegio.
   • Seguridad en capas.
   • Exposición de datos.
4. Tendencias en las nuevas tecnologías (IoT, Big Data, Cloud)

Módulo 2. Aplicación de buenas prácticas de ciberseguridad en sistemas operativos Windows.

1. Implementando seguridad en servidores Windows
2. Diseño y seguridad en directorio activo
3. Seguridad en grupos
4. Derechos de usuarios
5. Directivas de grupo
6. Seguridad en equipos
7. Auditorias de Seguridad con Windows

Módulo 3. Controles y marcos de ciberseguridad.

1. Controles de seguridad perimetrales
2. Controles de endPoint y servidores
3. Controles de detección de intrusos
4. Monitoreo y seguridad de redes empresariales
5. Metodología para el desarrollo de un CSIRT
   • Diseño de políticas de seguridad.
   • Planes de contingencia.
6. Estándares y Marcos de Ciberseguridad
7. ISO 27001
   • ISO 27032.
   • NIST Cybersecurity Framework (CSF).

Módulo 4. Aplicación de buenas prácticas de ciberseguridad en servicios Web.

1. Introducción a Seguridad en Sistemas de Información Web
2. Terminología
3. Análisis de seguridad de los servicios web
4. Fases de un ataque
5. OWASP Top Ten 2021
6. Mecanismos de protección de Sistemas de Información Web
7. Buenas Prácticas
8. Auditorías de Seguridad (Pentesting)
9. Herramientas de seguridad para Servicios Web.
10. Herramientas de desarrollador
11. Motores de búsqueda
12. Herramientas automatizadas

Registro de Candidatos

Completar el formulario de registro.(https://forms.gle/wKmPnoWm2vnqw6z48).

Informes

M.T.E. Viviana Guadalupe Azcorra Novelo
Email: This email address is being protected from spambots. You need JavaScript enabled to view it.

C. Elda María Benítez Dzib
Email: This email address is being protected from spambots. You need JavaScript enabled to view it.

Modalidad: A distancia.

Objetivo General

Al finalizar el diplomado, el participante identificará y utilizará los principales métodos estadísticos para el análisis de datos e interpretará los resultados.

Objetivos específicos

El participante:

• Aplicará el método estadístico adecuado para comparar poblaciones, considerando las características de la información disponible: muestras relacionadas o no relacionadas.
• Aplicará el estadístico adecuado para medir la relación entre variables considerando el tipo de variables a comparar.
• Aplicará un modelo de regresión lineal simple debidamente validado.

Dirigido a

Profesionistas, tesistas, investigadores que requieran de herramientas estadísticas para describir una base de datos, comparar poblaciones o establecer relaciones entre variables.

Esquema Curricular

Calendarización y Costo

Contenido por módulo

Módulo 1. Introducción a RStudio.

1. Panorama general de RStudio
   • Instalación de RStudio.
   • Consola, directrorio de trabajo, scripts y funciones básicas.
   • Instalación de paqueterías y cómo cargarlas.
   • Taller de ejercicios.
2. Lectura de base de datos
   • Estructura de datos fundamentales.
   • Tipos de datos (enteros, numéricos, caracteres, factores y lógicos).
   • Conversión de caracteres a factores.
   • Estructuras de datos: vectores, matrices, arreglos, listas y bases de datos.
   • Importación y depuración de una base de datos.
   • Exploración de una base de datos.
   • Funciones de resumen: length, dim, names, str, summary.
   • Creación una base de datos a partir de otra base de datos.
   • Taller de ejercicios.
3. Estadísticos descriptivos
   • Tablas (para conteos).
   • Tablas de frecuencia.
   • Gráficas de barras.
   • Gráficas circulares.
   • Histogramas.
   • Medidas de tendencia central y de dispersión.
   • Gráficas de dispersión.
   • Gráficos de probabilidad normal.
   • Taller de ejercicios.

Módulo 2. Estadística descriptiva e inferencial para una muestra.

1. Variables aleatorias
   • Funciones de densidad y cálculo de probabilidades.
   • Media y varianza de una variable aleatoria.
   • Las distribuciones binomial y normal, principales elementos y propiedades (fda, media, varianza, etc).
2. Estadística descriptiva
   • Escalas de medición.
   • Tablas de frecuencia unidimensiona y bidimiensional.
   • Gráficos para describir datos: de barra, de pastel e histograma.
   • Medidas para describir datos.
   • De tendencia central: media, mediana y moda.
   • De dispersión: rango, desviación media, varianza desviación estándar y coeficiente de variación.
   • Gráficos QQ para la distribución normal.
3. Estadística inferencial: Estimación.
   • Muestra aleatoria y estadístico.
   • Distribución muestral de la media y Teorema del Límite Central.
   • Aproximación normal a la binomial.
   • Estimador y estimación puntual.
   • Estimador y estimación por intervalo de confianza para la media.
4. Prueba de hipótesis para una muestra
   • Elementos de una prueba de hipótesis.
   • Pruebas de bondad de ajuste a la distribución normal: Kolmogorov - Smirnov y de Shapiro - Wilk.
   • Prueba ji-cuadrada de bondad de ajuste.
   • Prueba de hipótesis para la media.
   • Prueba del signo y prueba de rangos con signo de Wilcoxon.
   • Intervalo de confianza y pruebas de hipótesis para una proporción.
   • Intervalo de confianza y pruebas de hipótesis para una proporción.
   • Taller de ejercicios.

Módulo 3. Métodos Estadísticos para dos o más muestras.

1. Dos muestras independientes
   • Métodos basados en la distribución Z, F de Fisher para comparar dos varianzas, t de Student y prueba U de Mann-Whitney.
   • Taller de ejercicios.
2. Dos muestras relacionadas
   • Métodos basados en la distribución Z y t de Student, prueba del Signo y de Wilcoxon.
   • Taller de ejercicios.
3. Tres o más muestras
   • Muestras independientes.
     • Análisis de varianza de un factor.
     • Comparaciones Múltiples.
   • Muestras relacionadas.
     • Pruebas: Friedman, W de Kendall, Q de Cochran.
   • Taller de ejercicios.

Módulo 4. Asociación entre variables y regresión lineal simple.

1. Medidas de asociación
   • Variables continuas.
     • Pearson, Spearman.
   • Variables discretas.
     • Coeficiente de Kendall (Continua-Ordinal).
     • Coeficente de correlación biserial puntual (Continua-Nominal).
     • Coeficiente de Spearman: Ordinal-Ordinal.
     • Coeficiente Phi (Ordinal-Ordinal 2x 2).
     • Coeficiente de Kruskall-Goodman (Ordinal-Ordinal, rxc).
2. Regresión lineal simple
   • Gráficas de dispersión.
   • Ajuste del modelo.
   • Validación del modelo.

Registro de Candidatos

Completar el formulario de registro.(https://forms.gle/wKmPnoWm2vnqw6z48).

Informes

Modalidad: A distancia.

Objetivo General

Al finalizar el diplomado, el participante desarrollará aplicaciones de aprendizaje automático usando algoritmos de aprendizaje máquina y redes neuronales profundas utilizando las herramientas de software de código abierto más actuales.

Objetivos específicos

El participante:

• Utilizará las herramientas de código abierto más usadas en la industria para el desarrollo de aplicaciones de aprendizaje automático como Python, Pytorch, Keras, Pandas, Scikit-Learn, Altair y Google Colab.
• Desarrollará aplicaciones sobre problema reales como la valuación de bienes raíces, restauración, segmentación y detección de objetos en imágenes y la programación de chatbots, mediante el uso de algoritmos de regresión y clasificación clásicos de aprendizaje máquina y redes neuronales profundas como YOLO, StyleGAN3 y GPT-3.
• Desarrollará aplicaciones de agrupamiento de datos para segregación de clientes, análisis de sentimientos, y minería de datos en redes sociales, usando algoritmos k-medias, mapas auto-organizados, agrupamientos espectral y t-SNE.
• Desarrollará aplicaciones basadas en agentes inteligentes para la optimización de toma de decisiones en secuencia, el ranking de productos de tiendas en línea y la implementación de videojuegos.
• Entrenará redes neuronales profundas usando la metodología estándar de la industria.
• Utilizará la transferencia de aprendizaje para afinar redes neuronales profundas para aplicaciones de visión computacional y procesamiento de lenguaje natural.
• Conocerá el panorama presente y futuro del aprendizaje automático y la inteligencia artificial.

Dirigido a

Ingenieros de software, ciencias de la computación, líderes de proyecto, gerentes de informática, profesores, emprendedores, empresarios y cualquier profesionista que tenga interés por desarrollar aplicaciones de aprendizaje automático.

Requisitos

El participante deberá utilizar herramientas de código abierto para el desarrollo de aplicaciones de aprendizaje automático, por ejemplo: ambientes de programación (Jupyter notebook y Google Colab), análisis y manipulación de bases de datos, visualización estadística, procesamiento de imágenes, por mencionar algunas. En caso de no contar con ello, se recomienda participar en los cursos "Introducción al aprendizaje automático con Python" y/o “Introducción a la visión computacional con Python”.

Esquema Curricular

Calendarización y Costo

Consultar Educación Continua: Oferta Educativa | Primer Semestre 2024.pdf

Contenido por módulo

Módulo 1. Algoritmos y aplicaciones de aprendizaje supervisado.

1. Clasificación
   • K-vecinos más cercanos.
   • Árboles de decisión.
   • Bosque aleatorio.
   • Refuerzo de gradientes extremo (XGBoost).
   • Naïve Bayes.
   • Máquinas de soporte vectorial.
   • Redes neuronales multicapa.
2. Regresión
   • Regresión lineal.
   • Regresión logística.
   • Redes neuronales multicapa.

Módulo 2. Algoritmos y aplicaciones de aprendizaje no supervisado.

1. Algoritmo de K-medias
2. Mezcla de modelos Gaussianos (GMM)
3. Mapas auto-organizados y topográficos (SOM y GTM)
4. Reducción de la Dimensionalidad
5. Análisis de Componentes Principales (PCA)
6. Algoritmo t-SNE

Módulo 3. Algoritmos de aprendizaje profundo para visión computacional.

1. Introducción a las redes neuronales profundas
2. Red neuronal convolucional
3. Transferencia de aprendizaje
4. Redes neuronales adversarias generativas

Módulo 4. Algoritmos de aprendizaje profundo para procesamiento de lenguaje natural.

1. Red neuronal recurrente
2. Red neuronal transformer
3. Modelos de lenguaje grandes
4. Mejoramiento de modelos de lenguaje grandes usando RAG

Módulo 5. Algoritmos y aplicaciones de aprendizaje por refuerzo.

1. Introducción a programación dinámica
2. Algoritmo de iteración de valor
3. Algoritmo Q-learning
4. Aprendizaje por refuerzo profundo
5. Presente y futuro del aprendizaje automático y la inteligencia artificial

Registro de Candidatos

Completar el formulario de registro.(https://forms.gle/wKmPnoWm2vnqw6z48).

Informes