Data Scientist (TLG)

1. Explicar las medidas estadísticas; el nivel de confianza; las pruebas de hipótesis para un análisis descriptivo e inferencial. 2. Utilizar las medidas estadísticas; nivel de confianza; y pruebas de hipótesis en el análisis descriptivo e inferencial en un conjunto de datos.

1. Describir las operaciones y aplicaciones del álgebra lineal en en análisis de datos. 2. Utilizar operaciones de álgebra lineal para un conjunto de datos de dos o tres dimensiones.

1. Explicar el uso de medidas de grafos en el análisis de redes datos. 2. Utilizar las medidas de grafos en el análisis de una red de menos de 10 nodos.

1. Interpretar programas en lenguaje de programación Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos. 2. Diseñar programas en lenguaje de programación Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos.

1. Interpretar programas en las plataformas Panda y Numpy de Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos requerida. 2. Crear programas en Phython sobre ambiente Notebook, y utilizando las plataformas Panda y Numpy, para que se cumpla con los requerimientos de la aplicación de ciencia de datos.

1. Interpretar programas en lenguaje Python que involucren llamadas (queries) a las bases de datos y estatutos para concatenación y unión bases de datos. 2. Manipular una base de datos en la plataforma de Panda de Python que involucre llamadas (queries) a las bases de datos y estatutos para concatenar y unir bases de datos, para que se cumpla con los requerimientos de la aplicación de Ciencia de Datos.

1. Explicar las ventajas y desventajas de Python y de las plataformas de visualización Matplotlib y Seaborn, para la generación de gráficas con eje horizontal (x) compartido y el eje vertical (y) puede ser compartidos o no, para que se cumpla con los requerimientos de interfaz de la visualización requerida. 2. Utilizar las ventajas y desventajas de Python y de las plataformas de visualización Matplotlib y Seaborn, para la generación de gráficas con eje horizontal (x) compartido y el eje vertical (y) puede ser compartidos o no, para que se cumpla con los requerimientos de interfaz de la visualización requerida.

1. Interpretar visualizaciones geográficas utilizando la plataforma Geopandas en lenguaje Python. 2. Crear visualizaciones geográficas utilizando la plataforma Geopandas en lenguaje Python

1. Distingue los principios de la narrativa visual, los reportes y la visualización de datos, para la generación narrativas convincentes, que generan sentido a públicos específicos a partir de macro datos. 2. Aplica herramientas innovadoras para crear narrativas visuales convincentes basadas en macro datos que generan sentido a públicos específicos.

1. Identificar las características de un buen diseño de UX/UI para desplegar los indicadores en un Dashboard. 2. Diseñar un Dashboard que cumpla con las características de un buen diseño de UX/UI para desplegar indicadores

1. Identificar los estatutos del lenguaje Python en la plataforma Streamlit para el desarrollo de dashboard para visualización de datos interactivos, requeridos por la organización para presentar KPIs o para toma de decisiones. 2. Crear programas en lenguaje Python y la plataforma Streamlit para el desarrollo de dashboard para visualización de datos interactivos, requeridos por la organización para presentar KPIs o para toma de decisiones.

1. Interpretar visualizaciones en lenguaje Python de medidas estadísticas de un conjunto de datos unidimensionales y bidimensionales para las plataformas Matplotlib y Seaborn. 2. Utilizar herramientas del lenguaje Python para visualizar medidas estadísticas de un conjunto de datos unidimensionales y bidimensionales para las plataformas Matplotlib y Seaborn.

1. Interpretar herramientas visuales con medidas estadísticas; nivel de confianza; pruebas de hipótesis de un conjunto de datos unidemensionales y bidimensionales con el propósito de inferir el comportamiento de un población y el nivel de dependencia de las variables. 2. Utilizar herramientas para visualizar medidas estadísticas; nivel de confianza; pruebas de hipótesis de un conjunto de datos unidimensionales y bidimensionales con el propósito de inferir el comportamiento de un población y el nivel de dependencia de las variables.

1. Interpretar visualizaciones en lenguaje Python de un modelo de regresión de un conjunto de datos unidimensionales y bidimensionales con el propósito de hacer predicciones futuras y encontrar las variables que causan el mayor impacto en la variable de estudio. 2. Utilizar herramientas visuales del lenguaje Python para generar un modelo de regresión de un conjunto de datos unidimensionales y bidimensionales con el propósito de hacer predicciones futuras y encontrar las variables que causan el mayor impacto en la variable de estudio.

1. Identificar las metodologías para la selección de características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos. 2. Diseñar las características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos.

1. Interpretar la configuración que se ha utilizado para el desarrollo de modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, poniendo especial atención en la selección adecuada del número de agrupaciones, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, seleccionando el número de agrupaciones adecuadas y analizando la efectividad del modelo utilizando medidas de calidad, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

1. Interpreta la configuración utilizada en el desarrollo de los modelos inteligentes supervisado de datos utilizando scikit-learn de Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisado de datos utilizando scikit-learn de Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

1. Examinar los resultados de las visualizaciones de modelos inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver. 2. Utilizar herramientas visuales de máquinas inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver

1. Interpreta la configuración utilizada en el desarrollo de los modelos inteligentes supervisado de texto utilizando Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisado de datos de texto utilizando la plataforma máquinas inteligentes en Python; seleccionando el modelo adecuado y analizando la exactitud o precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

1. Interpretar modelos de redes sociales utilizando la NetworkX en Python; analizando su robustez, encontrando las personas que más se comunican, así como los líderes de las conversaciones en una red social. 2. Crear modelos de redes de sociales utilizando la NetworkX en Python; analizar la robustez de las redes, encontrar las personas que mas se comunican, así como los líderes de las conversaciones en una red social.

1. Interpretar la configuración de los estatutos de pySpark de Python en la modelación inteligente de grandes volúmenes de datos utilizada para cumplir lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisados de grandes volúmenes de datos utilizando pySpark de Python; seleccionando el modelo adecuado y analizar la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

1. Interpreta la configuración utilizada en modelos de datos DNN (Deep Neural Networks) utilizando en Tensor Flow en Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos de datos DNN (Deep Neural Networks) utilizando Tensor Flow en Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

1. Interpreta la configuración utilizada en modelos de datos DNN (Deep Neural Networks) en Pytorch en Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos de datos DNN (Deep Neural Networks) utilizando Pytorch en Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Ser referente para la certificación de personas que elaboran e implementan proyectos de mejora relacionados a la Excelencia Operacional, con el objetivo de identificar, justificar y analizar áreas de oportunidad importantes para la organización, a través del desarrollo de las siguientes competencias: Identificación y justificación de oportunidades para la excelencia operacional Trabajo en equipo para la excelencia Tomar decisiones con análisis estadístico Visualización de flujos de un proceso Analizar y solucionar problemas para la excelencia operacional Conocer las tendencias de la calidad