Módulo 1 — Python científico para ingeniería civil y reproducibilidad

1.1 Fundamentos, alcance y criterios: Aborda Python científico para ingeniería civil y reproducibilidad desde la lógica de Python científico para ingeniería civil y reproducibilidad, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

1.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Python científico para ingeniería civil y reproducibilidad tomando Python científico para ingeniería civil y reproducibilidad como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con NumPy/Pandas: limpieza, joins, pivotes y ETL. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

1.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Python científico para ingeniería civil y reproducibilidad utilizando Python/Pandas. El método se articula alrededor de Python científico para ingeniería civil y reproducibilidad: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

1.4 Riesgos, interfaces y controles: Desarrolla el assurance de Python científico para ingeniería civil y reproducibilidad frente a dato sin contexto o procedencia, relacionándolo con Python científico para ingeniería civil y reproducibilidad. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

1.5 Entregable, QA/QC y defensa: Formaliza Python científico para ingeniería civil y reproducibilidad en entregable técnico del módulo «Python científico para ingeniería civil y reproducibilidad». El participante sintetiza Python científico para ingeniería civil y reproducibilidad sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 2 — NumPy/Pandas: limpieza, joins, pivotes y ETL

2.1 Fundamentos, alcance y criterios: Define el alcance técnico de NumPy/Pandas: limpieza, joins, pivotes y ETL y sitúa Python científico para ingeniería civil y reproducibilidad dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

2.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para NumPy/Pandas: limpieza, joins, pivotes y ETL, centrando el análisis en NumPy/Pandas: limpieza, joins, pivotes y ETL y su relación con Análisis exploratorio, estadística y visualización. Se establecen criterios de aceptación, campos obligatorios, evidencias y tratamiento de datos faltantes. El resultado es una ficha de entrada que impide avanzar de forma inadvertida con información insuficiente.

2.3 Método, modelado y comprobación: Construye el procedimiento de análisis de NumPy/Pandas: limpieza, joins, pivotes y ETL utilizando GeoPandas y librerías geoespaciales. El método se articula alrededor de NumPy/Pandas: limpieza, joins, pivotes y ETL: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

2.4 Riesgos, interfaces y controles: Evalúa cómo interoperabilidad deficiente puede comprometer NumPy/Pandas: limpieza, joins, pivotes y ETL. A partir de NumPy/Pandas: limpieza, joins, pivotes y ETL, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

2.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «NumPy/Pandas: limpieza, joins, pivotes y ETL» para cerrar NumPy/Pandas: limpieza, joins, pivotes y ETL, demostrando cómo NumPy/Pandas: limpieza, joins, pivotes y ETL se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 3 — Análisis exploratorio, estadística y visualización

3.1 Fundamentos, alcance y criterios: Define el alcance técnico de Análisis exploratorio, estadística y visualización y sitúa NumPy/Pandas: limpieza, joins, pivotes y ETL dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

3.2 Datos, parámetros y calidad de entrada: Convierte la información de Análisis exploratorio, estadística y visualización en entradas utilizables para Análisis exploratorio, estadística y visualización. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Datos geoespaciales con GeoPandas. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

3.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Análisis exploratorio, estadística y visualización utilizando notebooks y control de versiones. El método se articula alrededor de Análisis exploratorio, estadística y visualización: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

3.4 Riesgos, interfaces y controles: Evalúa cómo modelo desactualizado puede comprometer Análisis exploratorio, estadística y visualización. A partir de Análisis exploratorio, estadística y visualización, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

3.5 Entregable, QA/QC y defensa: Cierra Análisis exploratorio, estadística y visualización mediante entregable técnico del módulo «Análisis exploratorio, estadística y visualización». El documento integra alcance, entradas, hipótesis, análisis de Análisis exploratorio, estadística y visualización, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 4 — Datos geoespaciales con GeoPandas

4.1 Fundamentos, alcance y criterios: Define el alcance técnico de Datos geoespaciales con GeoPandas y sitúa Análisis exploratorio, estadística y visualización dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

4.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Datos geoespaciales con GeoPandas mediante una revisión estructurada de Datos geoespaciales con GeoPandas. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Raster, terreno y análisis espacial. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

4.3 Método, modelado y comprobación: Desarrolla Datos geoespaciales con GeoPandas mediante CDE, BIM y modelos de información, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Datos geoespaciales con GeoPandas. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

4.4 Riesgos, interfaces y controles: Examina automatización de errores como escenario crítico de Datos geoespaciales con GeoPandas y contrasta su relación con Datos geoespaciales con GeoPandas. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

4.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Datos geoespaciales con GeoPandas» como evidencia profesional de Datos geoespaciales con GeoPandas. Se organiza la información de Datos geoespaciales con GeoPandas en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 5 — Raster, terreno y análisis espacial

5.1 Fundamentos, alcance y criterios: Analiza Datos geoespaciales con GeoPandas como componente central de Raster, terreno y análisis espacial. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

5.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Raster, terreno y análisis espacial tomando Raster, terreno y análisis espacial como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Series temporales de infraestructura y sensores. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

5.3 Método, modelado y comprobación: Transforma Raster, terreno y análisis espacial en un flujo reproducible de Raster, terreno y análisis espacial con apoyo de GIS y bases de datos espaciales. La práctica exige documentar parámetros, versiones, cambios y resultados intermedios. Se incorporan comprobaciones físicas, operativas o contractuales para detectar incoherencias antes de que el análisis se convierta en un entregable.

5.4 Riesgos, interfaces y controles: Integra ciberseguridad o gobernanza insuficiente en Raster, terreno y análisis espacial y analiza su interacción con Raster, terreno y análisis espacial, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

5.5 Entregable, QA/QC y defensa: Convierte el trabajo de Raster, terreno y análisis espacial en entregable técnico del módulo «Raster, terreno y análisis espacial», con especial atención a Raster, terreno y análisis espacial. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 6 — Series temporales de infraestructura y sensores

6.1 Fundamentos, alcance y criterios: Define el alcance técnico de Series temporales de infraestructura y sensores y sitúa Raster, terreno y análisis espacial dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

6.2 Datos, parámetros y calidad de entrada: Convierte la información de Series temporales de infraestructura y sensores en entradas utilizables para Series temporales de infraestructura y sensores. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Forecasting y modelos de tendencia. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

6.3 Método, modelado y comprobación: Desarrolla Series temporales de infraestructura y sensores mediante Python y pipelines de datos, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Series temporales de infraestructura y sensores. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

6.4 Riesgos, interfaces y controles: Somete Series temporales de infraestructura y sensores a una revisión de riesgo centrada en dato sin contexto o procedencia. Se identifican mecanismos de fallo, consecuencias y dependencias con Series temporales de infraestructura y sensores; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

6.5 Entregable, QA/QC y defensa: Formaliza Series temporales de infraestructura y sensores en entregable técnico del módulo «Series temporales de infraestructura y sensores». El participante sintetiza Series temporales de infraestructura y sensores sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 7 — Forecasting y modelos de tendencia

7.1 Fundamentos, alcance y criterios: Establece los fundamentos de Forecasting y modelos de tendencia mediante un análisis crítico de Series temporales de infraestructura y sensores. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

7.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Forecasting y modelos de tendencia mediante una revisión estructurada de Forecasting y modelos de tendencia. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Detección de anomalías y diagnóstico. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

7.3 Método, modelado y comprobación: Aplica Python/Pandas para desarrollar Forecasting y modelos de tendencia con un nivel de detalle proporcional al riesgo. Se estudian Forecasting y modelos de tendencia, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

7.4 Riesgos, interfaces y controles: Integra interoperabilidad deficiente en Forecasting y modelos de tendencia y analiza su interacción con Forecasting y modelos de tendencia, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

7.5 Entregable, QA/QC y defensa: Convierte el trabajo de Forecasting y modelos de tendencia en entregable técnico del módulo «Forecasting y modelos de tendencia», con especial atención a Forecasting y modelos de tendencia. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 8 — Detección de anomalías y diagnóstico

8.1 Fundamentos, alcance y criterios: Analiza Forecasting y modelos de tendencia como componente central de Detección de anomalías y diagnóstico. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

8.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Detección de anomalías y diagnóstico: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Detección de anomalías y diagnóstico y el contexto de Validación, incertidumbre y sensibilidad. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

8.3 Método, modelado y comprobación: Aplica GeoPandas y librerías geoespaciales para desarrollar Detección de anomalías y diagnóstico con un nivel de detalle proporcional al riesgo. Se estudian Detección de anomalías y diagnóstico, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

8.4 Riesgos, interfaces y controles: Integra modelo desactualizado en Detección de anomalías y diagnóstico y analiza su interacción con Detección de anomalías y diagnóstico, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

8.5 Entregable, QA/QC y defensa: Cierra Detección de anomalías y diagnóstico mediante entregable técnico del módulo «Detección de anomalías y diagnóstico». El documento integra alcance, entradas, hipótesis, análisis de Detección de anomalías y diagnóstico, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 9 — Validación, incertidumbre y sensibilidad

9.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Validación, incertidumbre y sensibilidad a partir de Detección de anomalías y diagnóstico. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

9.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Validación, incertidumbre y sensibilidad: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Validación, incertidumbre y sensibilidad y el contexto de Automatización de informes y dashboards. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

9.3 Método, modelado y comprobación: Aplica notebooks y control de versiones para desarrollar Validación, incertidumbre y sensibilidad con un nivel de detalle proporcional al riesgo. Se estudian Validación, incertidumbre y sensibilidad, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

9.4 Riesgos, interfaces y controles: Desarrolla el assurance de Validación, incertidumbre y sensibilidad frente a automatización de errores, relacionándolo con Validación, incertidumbre y sensibilidad. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

9.5 Entregable, QA/QC y defensa: Cierra Validación, incertidumbre y sensibilidad mediante entregable técnico del módulo «Validación, incertidumbre y sensibilidad». El documento integra alcance, entradas, hipótesis, análisis de Validación, incertidumbre y sensibilidad, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 10 — Automatización de informes y dashboards

10.1 Fundamentos, alcance y criterios: Establece los fundamentos de Automatización de informes y dashboards mediante un análisis crítico de Validación, incertidumbre y sensibilidad. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

10.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Automatización de informes y dashboards tomando Automatización de informes y dashboards como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Pipelines, control de versiones y calidad del código. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

10.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Automatización de informes y dashboards utilizando CDE, BIM y modelos de información. El método se articula alrededor de Automatización de informes y dashboards: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

10.4 Riesgos, interfaces y controles: Integra ciberseguridad o gobernanza insuficiente en Automatización de informes y dashboards y analiza su interacción con Automatización de informes y dashboards, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

10.5 Entregable, QA/QC y defensa: Formaliza Automatización de informes y dashboards en entregable técnico del módulo «Automatización de informes y dashboards». El participante sintetiza Automatización de informes y dashboards sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 11 — Pipelines, control de versiones y calidad del código

11.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Pipelines, control de versiones y calidad del código a partir de Automatización de informes y dashboards. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

11.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Pipelines, control de versiones y calidad del código: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Pipelines, control de versiones y calidad del código y el contexto de Capstone: análisis de datos end-to-end para ingeniería civil. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

11.3 Método, modelado y comprobación: Desarrolla Pipelines, control de versiones y calidad del código mediante GIS y bases de datos espaciales, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Pipelines, control de versiones y calidad del código. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

11.4 Riesgos, interfaces y controles: Integra dato sin contexto o procedencia en Pipelines, control de versiones y calidad del código y analiza su interacción con Pipelines, control de versiones y calidad del código, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

11.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Pipelines, control de versiones y calidad del código» para cerrar Pipelines, control de versiones y calidad del código, demostrando cómo Pipelines, control de versiones y calidad del código se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 12 — Capstone: análisis de datos end-to-end para ingeniería civil

12.1 Fundamentos, alcance y criterios: Establece los fundamentos de Capstone: análisis de datos end-to-end para ingeniería civil mediante un análisis crítico de Pipelines, control de versiones y calidad del código. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

12.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Capstone: análisis de datos end-to-end para ingeniería civil tomando Capstone: análisis de datos end-to-end para ingeniería civil como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Python científico para ingeniería civil y reproducibilidad. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

12.3 Método, modelado y comprobación: Modela o evalúa Capstone: análisis de datos end-to-end para ingeniería civil dentro de Capstone: análisis de datos end-to-end para ingeniería civil mediante Python y pipelines de datos. El objetivo es convertir la herramienta en un instrumento de decisión: se definen entradas, casos, controles y comparación de resultados. El análisis incluye una verificación independiente que permita diferenciar precisión numérica de validez técnica.

12.4 Riesgos, interfaces y controles: Integra interoperabilidad deficiente en Capstone: análisis de datos end-to-end para ingeniería civil y analiza su interacción con Capstone: análisis de datos end-to-end para ingeniería civil, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

12.5 Entregable, QA/QC y defensa: Convierte el trabajo de Capstone: análisis de datos end-to-end para ingeniería civil en entregable técnico del módulo «Capstone: análisis de datos end-to-end para ingeniería civil», con especial atención a Capstone: análisis de datos end-to-end para ingeniería civil. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.