• Generalidades del riesgo, paradigmas.
• ERM Sistema Integral de Gestión de Riesgos Corporativos.
• ISO 31000.
• Planeación estratégica y riesgo.
• Sistema administración de riesgos de liquidez, de mercado, de crédito y operativo.

• COSO.
• MIPG - MECI.
• COCO.
• CARDBURY.
• COBIT.

• Generalidades de riesgo operativo.
• Categorías de riesgo operativo.
• SARO: identificación, evaluación, gestión y seguimiento.
• Taller práctico: gestión de riesgo operativo.
• Evaluación del SARO.

• Generalidades del fraude:
  • Definición.
  • Factores.
  • Clasificación: corrupción, malversación de activos, corrupción, cibercrimen.
  • Perfil del defraudador.
• Generalidades de lavado de activos, financiación del terrorismo y armas de destrucción masiva.
  • Definiciones.
  • Implicaciones legales y delitos fuente del LAFT.
  • Efectos del lavado de activo en la economía colombiana.
  • Etapas del LAFT.
  • Organizaciones que lideran la lucha contra el LAFT.
  • SARLAFT y otros sistemas en Colombia.
  • Factores de riesgo.
  • Elementos.
  • Fases.
• Evaluación del SARLAFT.
• Evasión tributaria.
• Evasión y elusión.
• Implicaciones legales.
• Métodos de evasión.
• Lucha contra la evasión tributaria.

• Cibercrimen y sus categorías.
• Tipologías del cibercrimen.
• Seguridad de la información y ciberseguridad.
• Regulación colombiana de seguridad de la información y protección de datos.
• Normas internacionales de seguridad de datos: ISO 27001, PCI.

• Conceptos.
• Diferencias con otros tipos de auditoría.
• Perfil del auditor forense.
• Responsabilidad del auditor: NIA 240.
• Proceso de auditoría forense.
• Cadena de custodia.
• Desarrollo de la investigación: planeación, ejecución, investigación e informe.

• Métodos de investigación (método científico).
• Técnicas de investigación: entrevista, cuestionario, encuesta.
• Criminología ambiental.
• Informe de investigación

• Contexto general.
• Perfiles la investigación basada en análisis forense.
• Técnicas de análisis de datos para la identificación de transacciones anómalas.
• Aplicabilidad en la prevención y detección de fraudes financieros.
• Metodología para la investigación basada en datos.

• Conceptos básicos
• Variables
• Distribución de frecuencia para variables
• Gráficos
• Medidas de tendencia Central: media aritmética, mediana, moda
• Medidas de Posición: Percentiles
• Medidas de Dispersión: Rango, varianza, desviación estándar, coeficiente de variación
• Distribuciones de frecuencias conjuntas

• Teoría básica de conjuntos
• Experimentos aleatorios y espacio muestral
• Eventos, probabilidad de un evento
• Propiedades básicas de probabilidad
• Probabilidad condicional, independencia
• Teorema de Bayes
• Concepto de variable aleatoria
• Distribuciones discretas de probabilidad
• Distribuciones continúas de probabilidad
• Valor esperado de una variable aleatoria
• Varianza de una variable aleatoria
• Covarianza y correlación de variables aleatorias
• Algunas distribuciones de probabilidad
• Distribución discreta uniforme, binomial, hipergeométrica, Poisson y normal
• Teorema Central del Límite

• Introducción a la inferencia estadística
• Estimación de la media
• Error estándar de la media
• Tamaño de muestra
• Intervalo de confianza para la media en muestras pequeñas
• Intervalo de confianza para la proporción
• Tamaño de muestra
• Hipótesis estadística
• Prueba de una hipótesis estadística
• Pruebas relacionadas con una sola media (varianza conocida)
• Pruebas sobre una sola media (varianza desconocida)
• Pruebas relacionadas con proporciones

• Regresión lineal simple: Método de mínimos cuadrados
• Inferencia acerca de los coeficientes de regresión
• Regresión lineal múltiple
• Evaluación de los supuestos del modelo de Regresión Múltiple: normalidad, autocorrelación, heteroscedasticidad, multicolinealidad

• Conceptos de métodos multivariados estadísticos
• Análisis Factorial
• Análisis en componentes principales
• Análisis de correspondencias
• Análisis de conglomerados
• Análisis discriminante

• Conceptos de series de tiempo
• Modelos AR
• Modelos ARMA
• Modelos ARIMA

• Diferencias temporarias imponibles y deducibles
• Combinaciones de negocios
• Plusvalía
• Inversiones
• Pérdidas y créditos fiscales
• Información a revelar
• Diferencias entre NIC 12 y Sección 35 de NIIF para Pyme

• Generalidades
• ESF – Patrimonio
• ERI – Renta líquida
• Impuesto diferido
• Ingresos y facturación
• Activos fijos
• Diferencias entre residentes y no residentes
• Reportes

• Qué es el Machine Learning
• Tipos de Machine Learning: supervisado, no supervisado, y por refuerzo
• Preparación del entorno de trabajo (instalación de Python y las bibliotecas necesarias)
• Conceptos básicos de Python (sintaxis, variables, estructuras de datos)

• Carga de datos en Python
• Análisis exploratorio de datos
• Visualización de datos con Matplotlib y Seaborn
• Preprocesamiento de datos para el Machine Learning

• Regresión lineal
• Regresión logística
• Árboles de decisión
• Evaluación de modelos de Machine Learning

• Clustering
• K-means
• Agrupamiento jerárquico
• Reducción de dimensionalidad con PCA

• Introducción a las redes neuronales
• Perceptrón
• Redes neuronales multicapa
• Entrenamiento de redes neuronales

• Support Vector Machines (SVM)
• Gradient Boosting
• Random Forests
• Uso de GridSearchCV para la optimización de modelos

• Elección de un conjunto de datos
• Preprocesamiento de datos
• Selección de modelo
• Entrenamiento y evaluación del modelo
• Presentación de resultados

• Introducción a la visión por computadora y procesamiento de imágenes
• Introducción al procesamiento del lenguaje natural
• Aplicaciones de Machine Learning en el mundo real
• Consejos y trucos para el éxito en el Machine Learning

El estudiante aprenderá conceptos sobre el ambiente, las relaciones entre la sociedad - naturaleza y retroalimentación de dudas sobre el concepto.

Se interpretará mediante la experiencia personal del estudiante el cómo se dinamiza el pensamiento ambiental en todo aspecto cotidiano desde la analogía y la introspección.

Se retroalimentarán conceptos asociados al cambio climático, la realidad del impacto en la actualidad y como se dinamiza el debate desde la sobre información hasta falta de la misma

Se hablará la dinámica de la basura como paradigma social, las clases de residuos presentes en la vida diaria y prácticas de separación.

Continuando con la sesión anterior se hablará continuando la sesión anterior los tipos de residuos de mayor manejo y cuales son las políticas y prácticas posconsumo.

Donde los estudiantes tendrán la posibilidad de aprender sobre las generalidades del agua, como concepto, presencia en el territorio y como debemos cuidar y preservar el recurso como fuente de vida.

La vida en el territorio: Acercamiento general a la flora y fauna de la ciudad.
los estudiantes aprenderán de las principales especies de fauna y flora que comprenden la ciudad con un enfoque dinámico y especial. Esta practica busca que la persona comprenda que existe biodiversidad significativa e importante en el territorio.

Los estudiantes aprenderán de las dinámicas sociales que han llevado a buscar una solución equilibrada en la relación sociedad – naturaleza en el sentido del como administrar los recursos naturales.

En esta sesión se articularán las sesiones anteriores de manera aplicativa, como cada aspecto se comporta de manera sistémica. Generando recursos útiles para la última sesión.

Sesión de pensamiento crítico. Donde cada persona utilizará cada recurso aprendido para generar de manera objetiva una iniciativa para generar un hábito ambientalmente correcto, sea desde su cotidianidad en su vida personal o como actor social.

• Desarrollo de competencias docentes para la enseñanza de las ciencias sociales más allá de las disciplinas y en atención a la diversidad en el aula.
• Análisis y reflexión sobre las prácticas pedagógicas en el aula de ciencias sociales.
• Innovación educativa y aprendizaje basado en problemas en el aula de ciencias sociales: problematización a partir de la formulación de preguntas.

• Fundamentos del pensamiento sistémico y conceptos clave.
• Aplicación del enfoque sistémico en ciencias sociales.
• Ejemplos prácticos del pensamiento sistémico aplicado en contextos sociales concretos y de manera multiescalar.

• Identificación de problemas sociales y su aplicación didáctica desde una perspectiva sistémica.
• Implicaciones pedagógicas de la adaptación del pensamiento sistémico en el aula de ciencias sociales.
• Diseño de trayectos y secuencias didácticas desde una perspectiva sistémica.

• Desafíos en la Innovación y adaptación: cómo utilizar el pensamiento sistémico en el aula de Ciencias Sociales.
• Formulación de proyectos de aprendizaje basado en problemas a partir de las herramientas de la perspectiva sistémica trabajadas en el diplomado.