Visualización de Datos con Inteligencia Artificial - 2da Edición

MÓDULO I. Gobernanza y protección de Datos

Responsable académico / profesora: Mauricio Martínez

Duración: 6 horas

Objetivo de aprendizaje: Desarrollar una comprensión esencial de la normativa sobre protección de datos y su aplicación en el contexto del gobierno de datos.

Contenido del módulo:

• Definición y objetivos de la gobernanza de datos:

• Qué es la gobernanza de datos.
• Importancia de la gobernanza de datos en las organizaciones.

• Normativas y Regulaciones:

• Marco legal internacional y regulaciones locales.
• Normativas de protección de datos y privacidad.

• Implementación de Políticas:

• Desarrollo de políticas y procedimientos para la gestión de datos.
• Roles y responsabilidades en la gobernanza de datos.

• Ética en el Uso y Gestión de Datos:

• Consideraciones éticas en la recopilación, procesamiento y almacenamiento de datos.
• Principios fundamentales de protección de datos personales.
• Responsabilidad del analista d datos en la protección de la privacidad y los derechos de los individuos.

Metodología de enseñanza: Blended Learning y estudio de casos.

MÓDULO II. Diseño Infográfico para la comunicación de datos

Responsable académico / profesor: Harold Palacios

Duración: 6 horas

Objetivo de aprendizaje: Integrar las mejores prácticas en visualización infográfica de datos integrando principios del diseño de información.

Contenido del módulo:

• Principios básicos del diseño de información aplicados a la visualización de datos:
  • La estructura infográfica.
  • La diversidad de gráficas informativas.
  • El lenguaje visual.
  • Planificación de un proyecto.

• Flujo de trabajo para el diseño de información:

• Recopilación de datos.

• Elección del estilo.

• Integración creativa de las métricas de información.

• Consideraciones de precisión y ajuste.

• Posibles variaciones a un diseño.

• Proceso de exportación.

• Herramientas IA para la gestión infográfica de Datos:

• Producción de una infografía.

• De los datos a la Visualización de una historia: Casos de uso según el proyecto usando herramientas inteligentes de inteligencia artificial.

Metodología de enseñanza: Blended Learning, Ciclo de Kolb, aprendizaje colaborativo y estudio de casos.

Programas a utilizar:

MÓDULO III. Data Storytelling y gestión de datos con herramientas IA  

Responsable académico / profesor: Diego Latorre

Duración: 10 horas

Objetivo de aprendizaje: Examinar el contexto y conceptos fundamentales de todo el proceso relacionado a la visualización de datos dentro de una estructura narrativa. Aplicando técnicas y herramientas especializadas de visualización que integren la IA dentro del proceso de analítica de datos, de acuerdo a un determinado caso.

Contenido del módulo:

• Fundamentos del Storytelling de Datos:

• Storytelling dentro del data Literacy.

• Definición y elementos de la narrativa de datos.

• Contexto y mensaje principal dentro de la narrativa.

• La estructura de una narrativa de datos.

• Tres claves para comunicar de manera eficaz en una visualización.

• Creatividad y estilo según el tipo de audiencia.           

• Técnicas de Storytelling para inteligencia de negocios:

• Incorporación de elementos narrativos en presentaciones de datos.

• Herramientas y recursos digitales para la creación de visualizaciones.

• Buenas prácticas a la hora de contar una historia con datos.

• Integración creativa de las métricas de información.

• Preproducción de un dashboard con AI.

• Consideraciones de precisión y ajuste.

• Posibles variaciones a un diseño.

• Proceso de exportación.

• Herramientas IA para la gestión inteligente de datos:

• Obtención resumida de información estadística.

• Consultas mediante lenguaje natural.

• Categorización de información y transformación de datos.

• Gestión de tareas.

• Extracción automática de información.

• Limpieza de datos.

• Compartiva de visualización con distintas aplicaciones de inteligencia artificial.

Metodología de enseñanza: Blended Learning, Ciclo de Kolb, aprendizaje colaborativo y estudio de casos.

Programas a utilizar:

MÓDULO IV. Visualización para la Analítica de Datos

Responsable académico / profesor: Roberto Valarezo

Duración: 14 horas

Objetivo de aprendizaje: Integrar procesos de análisis y visualización de datos empleando herramientas robustas de acuerdo los distintos contextos del big y small data.

Contenido del módulo:

• Introducción al uso de Python y entorno de trabajo

• Rol de Python en analítica: depuración, automatización y reproducibilidad.

• Fundamentos esenciales: tipos de datos, estructuras (listas, diccionarios), funciones, control de flujo.

• Preparación del entorno: Instalación y gestión de paquetes.

• Interfaz de trabajo: (configuración recomendada).

• Librerías base del taller y complementarias según el caso.

• Introducción a “IA en Python”

• Qué se considera IA “básica” en analítica (predicción, clasificación, clustering).

• Dónde encaja la IA generativa (resumen, clasificación asistida, extracción de texto) y buenas prácticas.

• Entorno y funcionamiento de la analítica de datos

• Adquisición e integración de datos

• Fuentes típicas: CSV/Excel/JSON, bases de datos (visión general), APIs (concepto).

• Importación con pandas: lectura, parámetros críticos, tipos de dato, codificaciones.

• Estandarización inicial: nombres de campos, formatos de fecha, unidades, catálogos.

• Depuración y limpieza (Data Cleaning)

• Diagnóstico de calidad: nulos, duplicados, inconsistencias, valores atípicos.

• Reglas prácticas de limpieza: imputación, eliminación controlada, validaciones.

• Transformaciones: casting de tipos, parsing de fechas, normalización de texto, variables categóricas.

• Trazabilidad: bitácora de cambios y criterios (enfoque “audit-ready”).

• Exploración y análisis exploratorio

• Estadística descriptiva y perfiles de datos.

• Agrupaciones, cruces y tablas dinámicas (groupby, pivot_table).

• Correlaciones, distribución, segmentación, detección de outliers.

• Construcción de “insights” accionables: hipótesis y hallazgos.

• IA básica aplicada a analítica (introducción práctica)

• Preparación mínima para modelos: selección de variables, partición train/test, escalamiento básico.

• Modelos introductorios con scikit-learn (según el caso): Regresión / clasificación (nociones).

• Clustering para segmentación (nociones).

• Interpretación: métricas básicas y límites de uso (evitar sobrepromesas).

• Visualización de datos para la toma de decisiones

• Principios para interpretar y comunicar resultados (claridad, contexto, comparabilidad).

• Selección de gráficos según objetivo (tendencia, composición, distribución, relación).

• Preparación de datos para visualizar: dataset “tidy”, agregaciones, ventanas temporales.

• Visualización con Python:

• Gráficos esenciales con matplotlib (y opcionales con plotly/seaborn si se desea).

• Etiquetado, escalas, formato, buenas prácticas para evitar sesgos visuales.

• Construcción de un “mini-reporte”:

• KPIs, gráficos clave, narrativa, conclusiones y recomendaciones.

• Casos de estudio y proyecto integrador

• Buenas prácticas para escalar un proyecto de datos.

• Caso guiado end-to-end (de datos “sucios” a tablero/entregable):

• Importación → limpieza → EDA → (IA básica opcional) → visualización → conclusiones.

• Consideraciones big vs small data (enfoque práctico):

• Rendimiento, memoria, muestreo, procesamiento por lotes.

Metodología de enseñanza: Blended Learning y estudio de casos.

Software: Python que es de código abierto y gratutito, para lo cual se requiere una cuenta en google.

* El cronograma puede tener cambios para garantizar la calidad del curso.

Tarifa Pronto Pago: $391 (10 Feb)

Tarifa Público General: $460

Tarifa Grupal (2 personas): $437

Tarifa Grupal (3 o 4 personas): $414

Tarifa Grupal (5 o más personas): $405

Tarifa Alumni: $405

Tarifa Comunidad USFQ: $405

Comunidad empleados USFQ: $391

La cancelación del valor del programa se podrá realizar a través de las siguientes formas:

Parámetros para emitir el certificado de aprobación:

El participante al final del curso deberá tener una nota mínima de 80% para obtener su diploma de aprobación y cumplir con un mínimo del 80% de la asistencia total del programa. En caso de aprobar el programa, la Universidad San Francisco de Quito otorgará un certificado de aprobación por el número de horas académicas realizadas.