Módulo de Metodologías ágiles

Consigue la Certificación de Scrum Master

Al igual que evolucionan la tecnología y los lenguajes de programación, las metodologías de trabajo también cambian con el tiempo. Las organizaciones y empresas buscan constantemente formas de agilizar procesos, reducir costes y acelerar la producción para obtener mayores beneficios y es aquí donde la figura del Scrum Master es clave para gestionar de forma efectiva esos proyectos y alcanzar los resultados esperados. 

Nuestro curso en metodologías ágiles con Certificación Scrum te permitirá dominar esta metodología y convertirte en Scrum Master, una de las titulaciones y profesiones más demandadas actualmente. Además, te permitirá entender y aplicar otras metodologías Agile como Kanban, cada vez más en vigor en un mercado tan dinámico como el actual.

Salidas laborales

Agilidad

  • Gestión predictiva 
  • Gestión ágil
  • Manifiesto ágil: valores y principios
  • Scrum

Desmontando la gestión de proyectos

  • Desarrollo, Trabajo y Conocimiento
  • Ingeniería secuencial, concurrente y agilidad

Diferenciando las prácticas de los principios y valores Scrum

  • Scrum técnico
  • Scrum avanzado

Roles

  • Propietario del producto
  • Equipo
  • Scrum Master

Artefactos

  • Pila del producto
  • Pila del sprint
  • Incremento

Eventos

  • Sprint
  • Reunión de planificación del sprint
  • Scrum diario
  • Revisión del sprint
  • Retrospectiva del sprint

Medición y estimación

Principios y valores

  • Las personas y sus roles
  • Artefactos
  • Eventos

Prácticas para flexibilizar Scrum

  • Gráfico burn down
  • Estimación de póquer
  • Kanban
  • Técnicas a prueba de errores

Certificación vs Acreditación

  • Scrum Manager y Scrum Máster

Puntos de Autoridad. PDAs

  • Actualización de la Certificación

El examen

Certificación

Una vez realices este curso troncal, podrás presentarte al examen oficial de Scrum Manager. Si lo apruebas, recibirás el certificado de Scrum Master:

¡El señor de los anillos!, de Tomás Seco

Programador Java

Usando exclusivamente las librerías de Java para uso gráfico y diseño de interfaces, Tomas Seco logró crear un juego inspirado en el clásico de Tolkien. “Como me encanta la saga de El Señor de los Anillos decidí lanzarme y hubo momentos de decir ‘y ahora cómo salgo de esta’, pero la verdad es que con paciencia y, sobre todo, con la ayuda de Santi, el profesor, lo saqué adelante”, explica, y añade: “Estoy muy contento con el resultado final”. ¿La lógica del juego? Tomás consiguió crear una aplicación 100% desarrollada con Java, y planteó una especie de juego de cartas basado en el universo de El señor de los anillos. Asignó a cada carta unas características para que luego esas cartas se “peleen” en una batalla multijugador.

App para aprender inglés

Álvaro Fernández - Programador Java

A raíz de empezar su formación en Tokio, Álvaro no se lo pensó dos veces: “Mi novia es profesora de inglés y tuve la idea de crear una app para que pudiese ofrecer contenido gratis”, explica.  Y así es como nació Ready steady gramar, disponible en la Play Store. “La verdad es que me gustó bastante y por eso ahora estoy haciendo una más tipo videojuego que va a tener anuncios para conseguir moneditas… va a ser un poco más compleja”, comenta.

Batalla de cartas, de Mario Rosano

Programador Java

Mario creó una aplicación de escritorio donde, primeramente, el usuario se loguea para poder acceder. Una vez dentro, a través de un archivo .txt coge las cartas que tiene ese usuario para combatir y le va asignando a mano las características. Después, genera la batalla contra la máquina, poniendo el número de usuarios y se ve como luchan entre sí. Al final, se desvela quién gana la partida. Un proyecto complejo a nivel de ejecución y que va bastante rápido, lo que se traduce en ¡un buen trabajo!

Machine Learning

El Machine Learning nació del reconocimiento de patrones, pero hoy en día nos permite desarrollar aplicaciones que mejoran su rendimiento, “aprendiendo” a partir de datos recopilados en situaciones pasadas. En este campo de especialización de Python podrás aplicar Machine Learning a proyectos reales, incluyendo la preparación y las tareas relacionadas, el despliegue en producción y el ciclo de vida de un modelo.

  • Introducción al Big Data y Machine Learning
    • Método científico
    • Introducción al Big Data
    • Introducción al Machine Learning
    • Breve repaso del álgebra linea
  • Entorno de trabajo: VM
    • Crear una máquina virtual local
  • Jupyter
  • Librerías numéricas de Python
    • Numpy
    • Pandas
    • Matplotlib
  • Introducción a Scikit-learn
  • Regresión lineal
    • Simple
    • Multivariable
  • Optimización por descenso de gradiente
    • Convergencia
    • Ratio de aprendizaje
  • Normalización
    • Problema
    • Normalización
    • Entrenamiento
  • Regularización
    • Desviación y varianza
    • Función de coste regularizada
  • Validación cruzada
    • Métodos de resolución
    • Subdivisión del set de datos
    • K-fold
  • Teorema de Bayes
    • Ejemplo de clasificación
    • Sensibilidad y especificidad
  • Clasificación por árboles de decisión
    • Variables objertivo categóricas y continuas
    • Splitting
    • Limitaciones al tamaño del árbo
    • Pruning
    • Bootstrapping
  • Regresión logística/clasificación
    • Modelado de dato
    • Clasificación binaria y multiclase
    • Función sigmodea
    • Función de coste
  • Clasificación por SVM (Support Vector Machines)
    • Kernels y Landmarks
    • Transformación de la hipótesis
    • Tipos de kernels
    • Parámetro de regularización
  • Introducción a las redes neuronales
    • Neuronas naturales
    • Neuronas artificiales
    • Redes neuronales profundas
  • Optimización por aleatoriedad
    • Entrenamiento múltiple
    • Implementación
  • Agrupación
    • Diferencias entre agrupación y clasificación
    • K-means y otros algoritmos
  • Detección de anomalías
    • Anomalías
    • Representación de modelo
    • Elección de características
    • Distribución normal o gaussiana
  • Sistemas de recomendación
    • Sistemas de recomendación por regresión lineal
    • Función de coste
    • Algoritmos de entrenamiento
    • Realización de predicciones
  • Algoritmos genéricos
    • Evolución natural
    • Evolución del comportamiento
    • Algoritmos aplicados a la optimización
  • Ingeniería de características (“feature engineering”)
    • Creación de características
    • Problemas y soluciones
  • Análisis de Componentes Principales (“PCA”)
    • Representación de variables
    • Modelos de dimensionalidad
    • Reducción de dimensionalidad
  • Ensamblajes
    • Composición de modelos
    • Técnicas de ensamblaje
    • Bagging
  • Planteamiento de sistemas de ML
    • Planteamiento de un sistema de ML
    • Evaluación del modelo
    • Implementación a gran escala
    • Paralelización
  • Evaluación y mejora de modelos
    • Sobreajuste vs. desviación
    • Métricas de evaluación
    • Métricas de clasificación
  • Operaciones en ML
    • MLOps
    • Plataforma Kaggle