Servicios de Asesoría y Capacitación Empresarial, S. C.

   

English

   

   

Français

   

   

Deutsch

OBJETIVO DEL CURSO.

Conocer, comprender y aplicar los enfoques generales comunes de la organización, independientemente del tipo, tamaño o naturaleza de la organización, para asegurar que la calidad de los datos para el entrenamiento y evaluación en el análisis de datos y el aprendizaje automático con base en la Norma Internacional ISO/IEC 5259-4:2024 Inteligencia artificial - Calidad de los datos para el análisis de datos y el aprendizaje automático - Parte 4 Marco de referencia del proceso de calidad de los datos.

Nota 1: el análisis de datos es un concepto compuesto que consiste de la adquisición de datos, la recopilación de datos, la validación de datos, el procesamiento de datos, incluyendo la cuantificación de datos, la visualización de datos, así como la documentación y la interpretación de datos.

Nota 2: El análisis de datos se utiliza para la comprender objetos o eventos representados por datos, para hacer predicciones para una situación dada y para recomendar pasos para lograr objetivos. Las perspectivas obtenidas del análisis de datos se utilizan para varios propósitos tales como la toma de decisiones, la investigación, el desarrollo sostenible, diseño y planificación.

Nota 3: los datos son la materia prima para el análisis de datos y el aprendizaje automático. El objetivo de la serie ISO/IEC 5259 es proporcionar herramientas y métodos para evaluar y mejorar la calidad de los datos utilizadas en el análisis de datos y el aprendizaje automático.

Nota 4: los datos apoyan la toma de decisiones y traen consigo nuevos desafíos para la gestión de la calidad de los datos en el análisis de datos y en la inteligencia artificial basada en el aprendizaje automático. Aspectos en la calidad de los datos tales como que estén incompletos, que sean falsos o que estén desactualizados, pueden afectar adversamente a los procesos y a los resultados del análisis de datos y del aprendizaje automático. Datos de diferentes fuentes, incluyendo datos estructurados (por ejemplo, bases de datos relacionales) y datos no estructurados (por ejemplo, documentos, imágenes, audios) pueden consumirse directamente en ciclo de vida de los datos para el desarrollo de modelos para el análisis de datos y el aprendizaje automático.

Nota 5: Un enfoque holístico estandarizado para controlar, producir y proporcionar datos de suficiente alta calidad es necesario para los modelos del análisis de datos y del aprendizaje automático para que sean seguros, confiables e interoperables.

Nota 6: la Norma Internacional ISO 5259-4:2024 incluye orientación sobre el proceso de calidad de los datos para:

1. aprendizaje automático supervisado con respecto al etiquetado de datos utilizados para el entrenamiento de sistemas de aprendizaje automático, incluyendo enfoques comunes de la organización para etiquetas de datos de entrenamiento;
   
   
2. aprendizaje automático no supervisado;
   
   
3. aprendizaje automático semi-supervisado;
   
   
4. aprendizaje por reforzamiento;
   
   
5. análisis de datos.

Nota 7: la Norma Internacional ISO 5259-4:2024 es aplicable para datos de entrenamiento y evaluación que provienen de diferentes fuentes, incluyendo la adquisición de datos y la composición de datos, preparación de datos, etiquetado de datos y uso de los datos. La Norma Internacional ISO/IEC 5259-4:2024 no define servicios, ni plataformas, ni herramientas específicos.

DURACIÓN DEL CURSO: 24 horas.

TEMARIO DEL CURSO.

El temario del curso es el siguiente:

1. Introducción.

1. Objeto y campo de aplicación.
   
   
2. Referencias normativas.
   
   
3. Términos y definiciones.
   
   
4. Símbolos y términos abreviados.
   
   
5. Principios del proceso de calidad de los datos.
   
   
6. Marco de referencia del proceso de la calidad de los datos.
   1. Generalidades.
   2. Planificación de la calidad de los datos.
   3. Evaluación de la calidad de los datos.
   4. Mejora de la calidad de los datos.
   5. Validación del proceso de calidad de los datos.
   6. Uso del marco de referencia del proceso de calidad de los datos (DQPF).
      
      
7. Proceso de calidad de los datos para aprendizaje automático.
   1. Generalidades.
      
      
   2. Requisitos de los datos.
      
      
   3. Planificación de los datos.
      
      
   4. Adquisición de los datos.
      
      
   5. Preparación de los datos.
      1. Generalidades.
      2. Aprendizaje automático supervisado.
      3. Aprendizaje automático no supervisado.
      4. Aprendizaje automático semi-supervisado.
      5. Composición del conjunto de datos.
      6. Etiquetas de los datos.
      7. Anotaciones de los datos.
      8. Evaluación de la calidad de los datos.
      9. Mejora de la calidad de los datos.
         1. Generalidades.
         2. Limpieza de datos.
         3. Normalización, estandarización e imputación de los datos.
            1. Normalización de los datos.
            2. Estandarización de los datos.
            3. Imputación de los datos.
         4. Aumento de los datos.
      10. Retiro de la identificación de los datos.
      11. Codificación de los datos.
          
          
   6. Aprovisionamiento de los datos.
      1. Generalidades.
      2. Aprendizaje automático supervisado.
      3. Aprendizaje automático no supervisado.
      4. Aprendizaje automático semi-supervisado.
         
         
   7. Desmantelamiento de los datos.
      
      
8. Métodos y procesos de etiquetado de datos.
   1. Generalidades.
      
      
   2. Principios de etiquetado de datos.
      
      
   3. Métodos de etiquetado de datos.
      
      
   4. Proceso de etiquetado de datos.
      1. Generalidades.
      2. Especificaciones del etiquetado.
      3. Roles de los participantes del etiquetado.
      4. Herramientas o plataformas del etiquetado.
      5. Establecimiento de tareas del etiquetado.
      6. Asignación de tareas del etiquetado.
      7. Control del proceso del etiquetado.
      8. Verificación de la calidad del resultado del etiquetado.
      9. Revisión del resultado del etiquetado.
         
         
9. Roles de los participantes.
   1. Generalidades.
   2. Planificador de datos.
   3. Creador de datos.
   4. Recopilador de datos.
   5. Ingeniero de datos.
   6. Titular de los datos.
   7. Usuario de los datos.
      
      
10. Proceso de calidad de los datos para el aprendizaje automático semisupervisado.
    1. Generalidades.
    2. Requisitos de los datos.
    3. Planificación de los datos.
    4. Adqusicisión de los datos.
    5. Preparación de los datos.
    6. Aprovisionamiento de los datos.
    7. Desmantelamiento de los datos.
       
       
11. Procesos de calidad de los datos para aprendizaje por reforzamiento.
    1. Generalidades.
    2. Requisitos de los datos.
    3. Planificación de los datos.
    4. Adquisición de los datos.
    5. Preparación de los datos.
       1. Proceso general.
       2. Registro de datos.
    6. Aprovisionamiento de los datos.
    7. Desmantelamiento de los datos.
       
       
12. Procesos de calidad de los datos para el análisis de datos.
    1. Generalidades.
       
       
    2. Requisitos de los datos.
       
       
    3. Planificación de los datos.
       
       
    4. Adquisición de los datos.
       1. Generalidades.
       2. Carga de los datos.
       3. Almacenamiento de los datos.
          
          
    5. Preparación de los datos.
       1. Generalidades.
       2. Limpieza de los datos.
       3. Transformación de los datos.
       4. Consolidación de los datos.
       5. Evaluación de la calidad de los datos.
       6. Mejora de la calidad de los datos.
          
          
    6. Aprovisionamiento de los datos.
       
       
    7. Desmantelamiento de los datos.
       
       
13. Taller de ejercicios de interpretación y aplicación de la Norma Internacional ISO/IEC 5259-4:2024.

Regresar a los cursos de sistemas de gestión de inteligencia artificial.

Regresar a los cursos de sistemas de gestión.