Diplomado Ciencia de Datos y Big Data con Inteligencia Artificial

Plan de Estudios

• Módulo 1: IA Generativa y el Nuevo Rol del Analista de Datos

  • Evolución del rol del analista de datos: de la tarea manual al trabajo aumentado por IA.
  • Panorama de herramientas de IA para datos: copilotos de código, chat con datos, AutoML y agentes.
  • Casos de uso reales de IA aplicada al análisis de datos en distintas industrias.
  • Qué tareas puede acelerar la IA y cuáles siguen requiriendo criterio humano.
  • Ética, Gobierno de Datos y Buenas Prácticas en el Uso de IA para Análisis.
  • Sesgos y errores comunes en herramientas de IA aplicadas a datos.

• Módulo 2: Consulta y Exploración de Datos con Lenguaje Natural

  • Herramientas de “chatea con tus datos”: consultas en lenguaje natural sobre bases de datos.
  • Generación automática de consultas SQL a partir de preguntas de negocio (text-to-SQL).
  • Exploración automatizada de datasets: resúmenes, hallazgos y alertas generadas por IA.
  • Prompt engineering aplicado a la exploración de datos.
  • Validación de resultados generados por IA: cómo verificar antes de confiar.
  • Casos prácticos de exploración rápida de datos reales con estas herramientas.

• Módulo 3: IA para la Limpieza y Preparación de Datos

  • Detección automática de valores nulos, duplicados y atípicos con apoyo de IA.
  • Sugerencias inteligentes de imputación y transformación de variables.
  • Estandarización y normalización de datos asistida por IA.
  • Identificación de inconsistencias y errores de calidad de datos a gran escala.
  • Automatización de flujos de limpieza con herramientas de bajo código (low-code).
  • Buenas prácticas para auditar el trabajo de limpieza realizado por una IA.

• Módulo 4: Copilotos de Código y Programación Asistida por IA

  • Copilotos de código para Python y SQL: uso práctico en tareas de análisis de datos.
  • Generación de scripts de análisis y transformación de datos con IA.
  • Depuración (debugging) asistida: identificación y corrección de errores en el código.
  • Documentación automática de código y notebooks de análisis.
  • Traducción y adaptación de código entre lenguajes o librerías con apoyo de IA.
  • Límites y riesgos de depender del código generado por IA sin revisión.

• Módulo 5: AutoML y Modelado Predictivo Asistido por IA

  • Qué es AutoML y en qué se diferencia de construir modelos manualmente.
  • Plataformas de AutoML para clasificación, regresión y series de tiempo.
  • Selección automática de variables y de algoritmos.
  • Interpretación de resultados y métricas generadas por herramientas de AutoML.
  • Explicabilidad de modelos: entender qué hay detrás de una predicción automatizada.
  • Cuándo usar AutoML y cuándo se requiere un enfoque de modelamiento más profundo.

• Módulo 6: Visualización, Dashboards y Storytelling de Datos con IA

  • Generación automática de gráficos y dashboards a partir de datos y preguntas de negocio.
  • Copilotos de IA integrados en herramientas de Business Intelligence.
  • Storytelling de datos: cómo la IA ayuda a construir narrativas claras para la toma de decisiones.
  • Generación de resúmenes ejecutivos automáticos a partir de reportes de datos.
  • Personalización de visualizaciones según la audiencia (técnica vs. directiva).
  • Buenas prácticas de diseño y comunicación de datos potenciadas por IA.

• Módulo 7: Agentes de IA y Automatización de Flujos de Análisis de Datos

  • Qué es un agente de IA y cómo se aplica a flujos de trabajo de datos.
  • Automatización de reportes recurrentes y alertas basadas en datos.
  • Integración de agentes de IA con fuentes de datos y herramientas de BI.
  • Orquestación de tareas repetitivas del análisis de datos con IA.
  • Monitoreo de la calidad de los procesos automatizados.
  • Casos de uso de automatización de flujos analíticos en empresas.

• Módulo 8: Laboratorio de Soluciones de Ciencia de Datos e IA

  • Definición del problema de negocio y planteamiento de la solución de datos.
  • Selección de herramientas de IA pertinentes para cada etapa del proyecto (consulta, limpieza, modelado, visualización).
  • Desarrollo del flujo de trabajo acelerado por IA: de los datos crudos al resultado analítico.
  • Construcción de un dashboard o reporte final con apoyo de IA generativa.
  • Gobernanza de datos: quién es responsable de los resultados generados con apoyo de IA.
  • Presentación y sustentación de la solución desarrollada ante un panel evaluador.