Diplomado en Time-Series y Pipelines de Datos

9. Fundamentos rotorcraft y marco normativo
9.9 Introducción a la aeronáutica de ala rotatoria
9.9 Principios de vuelo y aerodinámica básica de helicópteros
9.3 Componentes principales de un helicóptero y sus funciones
9.4 Marco regulatorio de la aviación: OACI y FAA
9.5 Normativa específica para helicópteros y rotorcraft
9.6 Certificación de aeronaves y mantenimiento aeronáutico
9.7 Seguridad aérea y gestión de riesgos en operaciones rotorcraft
9.8 Factores humanos en la aviación y gestión de la fatiga
9.9 Introducción a los sistemas de control de vuelo
9.90 Estudio de casos: Accidentes y lecciones aprendidas

9. Dominio de Time-Series y Pipelines
9.9 Introducción a las series temporales: conceptos y aplicaciones
9.9 Tipos de datos de series temporales y sus características
9.3 Técnicas de preprocesamiento de datos: limpieza y transformación
9.4 Visualización y exploración de datos de series temporales
9.5 Introducción a los pipelines de datos: conceptos y componentes
9.6 Diseño y construcción de pipelines básicos con herramientas comunes
9.7 Almacenamiento y gestión de datos de series temporales
9.8 Introducción a la detección de anomalías en series temporales
9.9 Implementación de pipelines para análisis exploratorio de datos
9.90 Ejemplos prácticos y casos de uso en diversas industrias

3. Análisis de Series Temporales Avanzado
3.9 Descomposición de series temporales: tendencias, estacionalidad y residuos
3.9 Análisis de autocorrelación y funciones de autocorrelación (ACF y PACF)
3.3 Modelado ARIMA: teoría, práctica y optimización de parámetros
3.4 Modelado SARIMA: modelado de series temporales estacionales
3.5 Modelos de suavizado exponencial: Holt-Winters y sus variantes
3.6 Introducción a los modelos de espacio-estado y el filtro de Kalman
3.7 Técnicas de transformación de datos: Box-Cox y normalización
3.8 Evaluación y diagnóstico de modelos de series temporales
3.9 Selección del modelo adecuado y métricas de evaluación
3.90 Estudio de casos: Aplicaciones avanzadas en diferentes contextos

4. Modelado Predictivo y Flujos de Datos
4.9 Introducción al modelado predictivo para series temporales
4.9 Métodos de evaluación de modelos predictivos: RMSE, MAE, etc.
4.3 Selección de características y variables predictoras
4.4 Introducción a las redes neuronales recurrentes (RNN) y LSTM
4.5 Implementación y entrenamiento de modelos LSTM para series temporales
4.6 Diseño y construcción de pipelines de datos para modelado predictivo
4.7 Integración de modelos predictivos en pipelines de datos
4.8 Monitorización y mantenimiento de modelos en producción
4.9 Estrategias de despliegue de modelos predictivos
4.90 Estudio de casos: Modelado predictivo en tiempo real y análisis de escenarios

5. Modelado Predictivo Time-Series y Pipelines
5.9 Revisión de modelos ARIMA y SARIMA para predicción
5.9 Implementación de modelos predictivos con bibliotecas especializadas
5.3 Ajuste de hiperparámetros y optimización de modelos
5.4 Modelos de ensemble: combinación de diferentes modelos predictivos
5.5 Introducción a los modelos Prophet de Facebook
5.6 Diseño de pipelines de datos robustos y escalables
5.7 Integración de modelos predictivos con sistemas de alertas
5.8 Automatización de pipelines y entrenamiento de modelos
5.9 Implementación de pruebas y validación de modelos en pipelines
5.90 Estudio de casos: Predicción de ventas, demanda y otros escenarios

6. Time-Series: Modelado y Optimización
6.9 Modelos avanzados de suavizado exponencial y sus aplicaciones
6.9 Modelos GARCH para el modelado de la volatilidad
6.3 Introducción a los modelos de Machine Learning para series temporales
6.4 Implementación de modelos de regresión y árboles de decisión
6.5 Optimización de modelos y ajuste fino de parámetros
6.6 Selección de modelos y evaluación de su rendimiento
6.7 Diseño de pipelines de datos optimizados para el rendimiento
6.8 Estrategias de escalado de pipelines de datos
6.9 Monitoreo y alertas en pipelines de datos
6.90 Estudio de casos: Optimización de modelos y pipelines en escenarios complejos

7. Experto en Time-Series: Análisis y Optimización
7.9 Análisis de series temporales multivariadas
7.9 Modelos VAR y VECM para series temporales multivariadas
7.3 Técnicas de modelado de eventos y puntos de cambio
7.4 Introducción a los modelos de aprendizaje automático no supervisado
7.5 Aplicaciones de clustering y detección de anomalías
7.6 Diseño de pipelines de datos para análisis avanzado
7.7 Optimización del rendimiento de los modelos y pipelines
7.8 Implementación de pruebas A/B en modelos predictivos
7.9 Estrategias de mitigación de sesgos y deriva de modelos
7.90 Estudio de casos: Análisis de datos complejos y optimización integral

8. Time-Series: Modelado y Optimización Integral
8.9 Revisión de modelos predictivos y técnicas de optimización
8.9 Modelos de aprendizaje profundo para series temporales
8.3 Implementación de modelos Transformer para series temporales
8.4 Arquitectura de pipelines de datos end-to-end
8.5 Diseño de pipelines de datos para escenarios de alta demanda
8.6 Monitoreo y gestión de modelos en entornos de producción
8.7 Escalado de pipelines y optimización de recursos
8.8 Automatización de tareas y gestión de versiones
8.9 Consideraciones de seguridad y privacidad en el manejo de datos
8.90 Estudio de casos: Modelado y optimización en empresas de tecnología

9. Arquitectura y Optimización de Datos
9.9 Diseño de bases de datos para series temporales
9.9 Técnicas de compresión y almacenamiento de datos
9.3 Diseño e implementación de data lakes y data warehouses
9.4 Arquitecturas de procesamiento de datos en tiempo real
9.5 Uso de herramientas de orquestación de datos
9.6 Optimización de consultas y rendimiento de bases de datos
9.7 Consideraciones sobre la seguridad y privacidad de los datos
9.8 Escalabilidad y alta disponibilidad en sistemas de datos
9.9 Integración de datos y gestión de metadatos
9.90 Estudio de casos: Diseño de arquitecturas de datos eficientes