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:

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