1. Inicio
  2. Capacitación Profesional
  3. Informática y programación
  4. IFCD66. Data Scientist (Analista de datos masivos y científico de datos).
  • Extraer el conocimiento de utilidad para un propósito en concreto a partir de grandes volúmenes de datos de diferentes fuentes disponibles en formato digital


  • 1. Sistemas de apoyo a la toma de decisiones y gestión de datos

    • Caracterización de la aplicación del lenguaje Python:



        • Lenguaje Python.

        • Ejecución de programas Python.

        • Objetos en Python.

        • Tipos numéricos y dinámicos.

        • Gestión de cadenas de texto: listas, diccionarios, tuplas y ficheros.

        • Sentencias Python: asignaciones, expresiones e imprimir resultados.

        • Tests de variables, reglas de sintaxis.

        • Bucles for y while.





    • Interpretación la aplicación de protocolos API:



        • Uso de APIs remotas.

        • Integración de las aplicaciones con APIs remotas.

        • Ejemplos de aplicación de APIs remotas en lenguaje Python.





    • Programación de un algoritmo modular en lenguaje Python:



        • Programación de módulos.

        • Fundamentos de programación de clases.

        • Utilización de APIs e integración con aplicaciones Python.

        • Distinción de los conceptos Cloud básicos.

        • Principios de computación en la nube (Cloud Computing).

        • Ingeniería de servicios: software as a service, Platform as a service, Infrastructure as a Service.

        • Ejemplos de aplicaciones relevantes en la industria.





    • Uso de BBDD NoSQL y nuevos modelos de datos (estructurados y no estructurados):



        • Fundamentos del paradigma NoSQL.

        • Distribución de los datos y procesamiento en paralelo.

        • Principales modelos de datos en el mundo NoSQL: clave-valor, orientación a documentos, grafos de propiedad, grafos de conocimiento.





    • Conocimiento del almacenamiento Big Data y las herramientas de procesamiento masivo:



        • Aplicaciones basadas en la gestión y el análisis de grandes volúmenes de datos.

        • Fundamentos arquitectónicos de los sistemas distribuidos.

        • Principales arquitecturas de referencia.

        • Nuevos modelos de datos.

        • Sistemas de ficheros distribuidos.

        • Document stores.

        • Bases de datos de grafos.





    • Evaluación de las metodologías y técnicas aplicadas en la resolución de problemas y justificación de los planteamientos, decisiones y propuestas realizadas:



        • Sistemas de soporte a la toma de decisiones.

        • Análisis de los datos: análisis descriptivo, predictivo y prescriptivo.

        • Casos de uso: gestión y análisis de grandes volúmenes de datos.





    • Identificación de los factores clave de un problema complejo en el contexto de un proyecto de analítica:



        • Contexto de la sociedad /economía de los datos y el paradigma de las aplicaciones orientadas a los datos.

        • Fundamentos de bases de datos relacionales: lenguaje SQL.

        • Necesidad de un cambio de paradigma: NoSQL. El principio ‘one size does not fit all’.

        • Principales modelos de datos en el mundo NoSQL: Key-Value, Documento-oriented, Property Graphs y Knowledge Graphs.

        • Fundamentos arquitectónicos: sistemas distribuidos, escalabilidad, paralelismo. Principales arquitecturas de referencia (shared nothing, shared disk, shared memory).





    • Distinción y aplicación de los nuevos modelos de datos:



        • Sistemas de archivos distribuidos: conceptos y principios (distribución, replicación, particionamiento horizontal vs. Vertical, formatos de archivos especializados).

        • Conocimiento y utilización deHadoop File System (HDFS), Apache Avro, Apache Parquet, Key-value stores: Apache HBase.

        • Document stores: conceptos y principios (mecanismos de réplica, sharding, consultas espaciales)

        • Inmersión a MongoDB y el Aggregation Framework.

        • Graph databases: property y knowledge graphs. Conceptos y principios Modelización en grafo, consultas regulares. Introducción a Neo4j y Cypher.

        • Knowledge graphs. Conceptos y principios: el paradigma open / linked data, RDF y SPARQL. Introducción a GraphDB.





    • Identificación y análisis de problemas complejos en el área de análisis de datos y planteamiento de soluciones:



        • Principales conceptos de los flujos de procesamiento de datos en sistemas de gran volumen.

        • Fases principales de la gestión de grandes volúmenes de datos y retos asociados.

        • Roles del ingeniero de datos en las fases principales de la gestión de datos.

        • Limitaciones principales de los modelos tradicionales de gestión de los datos.

        • Nuevos modelos de datos.





    • Planificación y ejecución de un trabajo de análisis de datos con una propuesta metodológica:



        • Definición de un conjunto de datos de partida y una serie de necesidades de negocio que requieran una agregación de los datos, una captura de datos externa, un proceso ETL, análisis de datos y una visualización final de los resultados obtenidos.

        • Implementación de un sistema de archivos distribuido.

        • Uso de Hadoop para almacenar un conjunto de datos de actividad de red social. Almacenamiento de un conjunto de datos en un entorno HDFS.

        • Modelización de grafos: almacenar un conjunto de datos en una base de datos documental u orientada a grafos.





    • Elección de un repositorio adecuado para los datos del problema y definición de una estrategia de almacenamiento:



        • Ciclo de vida de los datos: diseño de bases de datos, gestor de los flujos de datos, arquitectura de los sistemas de extracción, carga y transformación de los datos y sistemas de almacenamiento y procesamiento distribuido.

        • Gestión de los datos: límites del modelo relacional y distribución de los datos.









  • 2. Gestión y procesamiento de datos

    • Evaluación crítica de las metodologías y técnicas a aplicar en la resolución de problemas y justificación de los planteamientos, decisiones y propuestas realizadas



        • Fundamentos de gestión de los datos para un proyecto con múltiples fuentes de entrada de datos

        • Técnicas de organización de modelos de datos desde un punto de vista lógico y físico





    • Identificación de los flujos de datos y ETL (Extract Transform Load)



        • Fundamentos de Data Warehousing y Business Intelligence

        • Conceptos de OLAP y extracción de información

        • Proceso ETL: extracción, transformación y carga de los datos

        • Tipos de flujos y operaciones

        • Data cleaning

        • Data quality

        • Ejemplos de aplicaciones





    • Diseño de un proceso ETL y un modelo de análisis multidimensional.



        • Modelización multidimensional

        • DFM: Dimensional Fact Model

        • Esquema en estrella y derivados

        • Operadores OLAP

        • Implementación de cubos y operadores OLAP en entornos relacionales

        • Herramientas de modelización multidimensional





    • Diseño de una carga de datos a un repositorio NoSQL y análisis de los datos básico utilizando Spark



        • Diseño, implementación y mantenimiento de soluciones Fecha Lake. Conceptos y principios (schema-on-write vs. schema-on-read). Modelización y gobernanza de datos

        • Conceptos y principios de procesamiento distribuido de datos (soluciones declarativas vs. no declarativas)

        • Modelos de procesamiento distribuido de datos: Basados en disco y basados en memoria principal

        • MapReduce y a Apache Spark

        • Procesamiento de datos en tiempo real (streaming). Conceptos y principios (modelos, ventanas temporales, consultas temporales). Lenguajes de consultas sobre streams. Introducción a herramientas streaming: Apache Kafka, Apache Spark Streaming

        • Arquitecturas BigData: Lambda, Kappa y orquestadores. Herramientas de gestión de workflows: Apache Airflow





    • Identificación de los factores clave de un problema complejo en el contexto de un proyecto de analítica.



        • Proyecto de diseño e implementación ETL con herramientas NoSQL

        • Proceso de incorporación de datos batch con herramientas Apache.

        • Análisis de datos y extracción de datos para modelo de negocio a partir del conjunto de datos con Spark

        • Análisis de datos con Apache Spark

        • Lectura y exportación de datos

        • Revisión de la calidad de los datos

        • Filtros y transformaciones de los datos

        • Procesamiento de los datos para obtener resúmenes y agrupaciones

        • Combinaciones, particiones y reformulación de los datos.

        • Configuración, monitorización y gestión de los errores de las aplicaciones Spark










  • 3. Aprendizaje automático y visualización

    • Identificación de los fundamentos de análisis de datos y aprendizaje automático (Machine Learning)



        • Tipología de tareas y algoritmos de aprendizaje (supervisado, no supervisado, semisupervisado)

        • Métodos principales de aprendizaje

        • Validación y evaluación de resultados





    • Distinción de los métodos clasificadores.



        • Modelos predictivos

        • Métodos no supervisados. Agrupamiento jerárquico. Agrupamiento particional (k-means y derivados). Reducción de la dimensionalidad (PCA y otros)

        • Métodos supervisados. K-NN. Árboles de decisión. SVM. Redes neuronales

        • Validación y evaluación de resultados





    • Aplicación de las técnicas de aprendizaje automático y la integración de diversas fuentes de datos



        • Análisis de sentimientos y polaridad sobre el conjunto de tweets recogidos.

        • Construcción de un análisis de perfiles mediante el uso de algoritmos de agrupamiento no supervisados (clustering).

        • Implementación de un análisis de polaridad (sentimiento analysis) sobre el conjunto de mensajes recogidos.

        • Implementación de dos enfoques alternativos para poder comparar el rendimiento obtenido: Aproximación basada en diccionarios. Aproximación en vectorización (Word2Vec) y uso de un modelo supervisado de aprendizaje automático.





    • Diseño, desarrollo y evaluación de los métodos de aprendizaje automático.



        • Procesamiento de datos

        • Fundamentos de aprendizaje automático

        • Tipología de tareas y algoritmos de aprendizaje

        • Validación y evaluación de resultados





    • Diseño y desarrollo de dashboards.



        • Principios de visualización de datos.

        • Diseño de paneles de control y dashboards para definir alarmas y transmitir resultados

        • Integración de la visualización con herramientas de análisis y consultas de datos

        • Documentación visual y escrita de los resultados de los proyectos de analítica de datos para audiencias no especializadas





    • Utilización de una herramienta de visualización de datos para el diseño y carga de datos a un panel de control



        • Herramientas de visualización de datos: Grafana, MS PowerBar, Tableau

        • Visualización de consultas de negocio y panel de control de resultados en herramientas de visualización de datos





    • Elección, aplicación y evaluación de la calidad de un algoritmo de aprendizaje automático para un problema dado a partir de un conjunto de datos.



        • Procesamiento de textos (NLP)

        • Análisis de polaridad basado en diccionarios

        • Análisis basado en modelos predictivos supervisados

        • Extracción de características (Word2Vec)








Cursos relacionados

¿Quieres ver todas las acciones formativas relacionadas？

Ver todos