Fines de Aprendizaje o Formación
El estudiante dominará los fundamentos de la Analítica de Negocios e Inteligencia de Negocios (IN), diferenciando analítica descriptiva, diagnóstica, predictiva y prescriptiva, y comprendiendo su papel en la generación de valor empresarial. Será capaz de alinear la estrategia analítica con los objetivos corporativos, aplicando KPIs e indicadores financieros y justificando decisiones mediante el cálculo del ROI.
Desarrollará competencias técnicas en arquitectura de datos y Data Warehousing, implementando esquemas dimensionales y procesos ETL/ELT. Podrá aplicar análisis de causa raíz, segmentación de clientes y modelos de predicción (churn), integrando resultados en Sistemas de Apoyo a la Decisión (DSS) para fortalecer la gestión estratégica.
Finalmente, el alumno será competente en visualización estratégica y comunicación ejecutiva, diseñando Cuadros de Mando Integral (Balanced Scorecard) y Dashboards efectivos para la alta dirección. Dominará el storytelling con datos, asegurando que los insights analíticos se traduzcan en decisiones estratégicas que mejoren el desempeño financiero y operacional.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá las limitaciones de los modelos feedforward para dependencias temporales y dominará las Redes Neuronales Recurrentes (RNN), incluyendo LSTM y GRU para el modelado de secuencias largas. Será competente en retropropagación a través del tiempo (BPTT) y en el diagnóstico de problemas asociados a los gradientes.
Desarrollará competencia en el mecanismo de Atención y la arquitectura Transformer, comprendiendo los componentes QKV, Self-Attention y embebidos posicionales. Podrá utilizar y adaptar modelos preentrenados como BERT y GPT para tareas avanzadas de procesamiento de lenguaje natural y series temporales.
Finalmente, el estudiante diseñará y evaluará modelos generativos avanzados, incluyendo Autoencoders Variacionales (VAE) y Redes Generativas Antagónicas (GANs). Comprenderá la formulación bayesiana, el truco de reparametrización, la teoría Minimax y los desafíos de entrenamiento (como el colapso de modo), aplicando arquitecturas como DCGAN y WGAN y métricas rigurosas como FID para la generación de datos de alta calidad.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá integralmente los fundamentos teóricos y prácticos de MLOps, diferenciándolo de DevOps y DataOps, y dominando el Ciclo de Vida del Modelo (MLLC). Será competente en la gestión de versiones de código, datos y experimentos (Data Versioning), garantizando reproducibilidad, trazabilidad y control de artefactos en sistemas de aprendizaje automático.
El alumno diseñará e implementará arquitecturas de MLOps escalables, aplicando CI/CD/CT, automatizando pipelines de ML mediante Docker y Kubernetes, e implementando estrategias seguras de despliegue como Canario y Sombra, asegurando eficiencia, baja latencia y confiabilidad en producción.
Finalmente, desarrollará competencias en monitoreo, observabilidad y gobernanza de modelos, utilizando herramientas como Prometheus y Grafana para detectar Data Drift y Concept Drift, definiendo políticas de reentrenamiento automático y rollback. Integrará prácticas de linaje, explicabilidad (XAI), mitigación de sesgos y cumplimiento ético-normativo, asegurando una operación responsable y sostenible en entornos productivos.
Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante consolidará una toma de decisiones basada en evidencia, aplicando el ciclo de mejora continua (PDCA) para formular problemas gerenciales y transformarlos en preguntas de investigación sustentadas en datos. Será capaz de identificar y gestionar distintas tipologías de información, así como de definir Indicadores Clave de Rendimiento (KPI) alineados con los objetivos organizacionales.
Asimismo, desarrollará competencias para la ejecución de proyectos de inteligencia de datos, realizando preprocesamiento de información (calidad, sesgos y anomalías) y aplicando análisis estadístico descriptivo y exploratorio. Introducirá fundamentos de análisis inferencial y predictivo, diferenciando correlación y causalidad, para simular escenarios, cuantificar la incertidumbre y evaluar riesgos mediante modelos probabilísticos y de pronóstico.
Finalmente, el estudiante dominará la comunicación analítica, estratégica y ética, elaborando narrativas claras y visualizaciones efectivas para audiencias no técnicas mediante tableros de control e informes ejecutivos. Estas competencias se integrarán con una responsabilidad profesional sólida, garantizando el uso ético de los datos, la privacidad, la equidad algorítmica y la rendición de cuentas en la toma de decisiones organizacionales.
Fines de Aprendizaje o Formación
El estudiante adquirirá la capacidad de conceptualizar y estructurar proyectos de innovación FinTech, identificando necesidades financieras no cubiertas, analizando el mercado objetivo y delimitando el alcance del proyecto mediante verticales tecnológicas, integrando la fundamentación teórica, la justificación de la propuesta de valor y las implicaciones éticas y normativas.
Asimismo, desarrollará competencias para la validación de la propuesta de valor y el modelado de negocio, aplicando metodologías de investigación de mercado y enfoques ágiles (Scrum/Kanban). Definirá modelos de ingresos, evaluará la viabilidad económica inicial (ROI) y especificará requerimientos funcionales y no funcionales, priorizando la ciberseguridad y la escalabilidad, así como el diseño de la arquitectura tecnológica y de bases de datos.
Finalmente, el estudiante demostrará habilidades para el diseño centrado en el usuario (UX/UI) y la implementación del Producto Mínimo Viable (MVP), integrando desarrollo de software, pruebas de calidad (QA) y principios básicos de DevOps. Analizará métricas clave (KPIs) y retroalimentación de usuarios, validando la hipótesis de mercado y elaborando un plan de continuidad para la siguiente fase de desarrollo del proyecto.