Contexto Economico y Social en Gestión de Proyectos | | UPV

Lección 37 de 4288%

Ya has superado la mitad. Estás muy cerca de completar el curso.

Sobre esta lección

Título: Contexto Economico y Social en Gestión de Proyectos Descripción automática: En este video, se analizan factores recientes que influyen en la sociedad y su impacto en la gestión de proyectos. Se describe la crisis económica-financiera de 2008, los cambios geopolíticos hacia un mundo multipolar con nuevas potencias emergentes, y la deslocalización industrial hacia Asia. Además, se abordan las problemáticas logísticas en el transporte de mercancías y los retos provocados por el cambio climático. La aparición del COVID-19 y sus efectos devastadores, junto con otros desafíos como la crisis en Ucrania y el aumento en los precios de la energía, complementan el contexto de incertidumbre global. Según el Project Management Institute (PMI), la incertidumbre se traduce en mayores riesgos para los proyectos, haciendo esencial una gestión de riesgos efectiva que identifique tanto amenazas como oportunidades. El video concluye mencionando que la pandemia ha ofrecido oportunidades a empresas con estructuras flexibles y proyectos innovadores, que han sabido adaptarse y beneficiarse de la situación, mientras que otros proyectos no anticiparon estos cambios y enfrentaron dificultades. Finalmente, se subraya la importancia de una gestión de riesgos que diferencie y aborde tanto las amenazas como las oportunidades en la gestión de proyectos actual. Autor/a: Palomares Chust Alberto + Universitat Politècnica de València UPV: https://www.upv.es + Más vídeos en: https://www.youtube.com/valenciaupv + Accede a nuestros MOOC: https://upvx.es #proyectos #gestión #Contexto #social #económico

Sobre este curso

Este canal forma parte de un MOOC (curso abierto y masivo) que puedes encontrar en https://upvx.es/courses/course-v1:edxorg+introduccion-la-gestion-de-proyectos+igp101x/about

Lección 37 de 42Nivel: principianteDuración total: 5h

Lo que aprenderás en este curso:

  • Comprender los fundamentos del aprendizaje automático
  • Implementar algoritmos de clasificación y regresión
  • Preparar y limpiar datos para modelos predictivos
  • Evaluar y optimizar modelos de machine learning