Metodologías Híbridas de Gestión de Proyectos | | UPV

Lección 39 de 4293%

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

Sobre esta lección

Título: Metodologías Híbridas de Gestión de Proyectos Descripción automática: En este video, el profesor de la Universidad Politécnica de Valencia y Project Manager Profesional certificado, introduce las Metodologías Híbridas de Gestión de Proyecto, explicando primero las metodologías clásicas o predictivas y las ágiles, para luego abordar la combinación de ambas en las híbridas. Describe las metodologías clásicas, como las del PMI y sus guías, que buscan predecir y planificar detalladamente todas las facetas del proyecto para minimizar desviaciones durante su ejecución. Estas metodologías siguen siendo relevantes en muchos proyectos que requieren una estructura predictiva. En contraparte, las metodologías ágiles nacieron en el desarrollo de software y se caracterizan por su flexibilidad y adaptación progresiva a cambios, siendo ideales para proyectos con requisitos y objetivos menos definidos. Finalmente, introduce las metodologías híbridas como una combinación de enfoques predictivos y ágiles, seleccionando las herramientas más adecuadas para cada tarea y fase del proyecto. Subraya que un buen Project Manager debe conocer varias metodologías para adaptarlas eficientemente a cada situación, rechazando la idea de que exista una metodología única y absoluta para todos los proyectos. El video concluye con un resumen de los puntos tratados. 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 #metodologías híbridas

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 39 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