Objetivo General
• Conocer las principales características del procesamiento masivo de datos en su relación con aplicaciones y algoritmos de Inteligencia Artificial, así como facilitar una aproximación a la planificación y desarrollo de programas de inteligencia artificial y Big Data en el entorno empresarial.
Objetivos Específicos
• Comprender la evolución de la inteligencia empresarial tradicional hacia el Big Data, analizando casos prácticos como navegación web, geolocalización y audiencias de televisión. • Identificar las aplicaciones empresariales clave del Big Data y su impacto en sectores como la salud, el comercio y las telecomunicaciones.
• Explorar el funcionamiento y la utilidad de herramientas tecnológicas esenciales como Hadoop, HDFS y MapReduce para el tratamiento masivo de datos.
• Analizar las características fundamentales del Big Data, incluyendo volumetría, velocidad, variedad, veracidad y valor del dato, mediante ejemplos prácticos.
• Evaluar los beneficios y desafíos de los procesos en tiempo real y del cloud computing como habilitadores claves del Big Data en la toma de decisiones estratégicas.
Comprender los fundamentos de la arquitectura Big Data, incluyendo el ecosistema Hadoop y sus componentes principales.
• Identificar los lenguajes de programación más utilizados en el análisis y procesamiento de datos masivos, así como sus aplicaciones específicas.
• Explorar las herramientas clave de procesos ETL y sistemas de datos en tiempo real para asegurar una gestión eficiente de la información.
• Reconocer la importancia de la seguridad y el gobierno del dato como pilares fundamentales para la integridad y el uso responsable de la información.
• Comprender los conceptos básicos de la Ciencia de Datos y la Inteligencia Artificial, incluyendo su relación con el Big Data.
• Identificar y utilizar los lenguajes de programación más relevantes, como R y Python, con un enfoque en sus aplicaciones en IA y Ciencia de Datos.
. Analizar y aplicar algoritmos supervisados y no supervisados en escenarios prácticos, considerando sus beneficios y limitaciones.
• Explorar herramientas y técnicas para el procesamiento de información no estructurada y la visualización de datos, desarrollando habilidades para interpretar resultados de forma efectiva.
• Comprender el impacto del Big Data en las instituciones públicas y su relación con el concepto de OpenData.
• Analizar la aplicabilidad del Big Data en el ámbito empresarial para mejorar la eficiencia operativa y la toma de decisiones estratégicas.
• Explorar el uso del Big Data en proyectos con impacto social, dentro de la iniciativa "Data for Good".
• Identificar las tendencias futuras del Big Data, incluyendo la automatización, la personalización y los desafíos éticos y legales asociados.
Unidad 1: Adquisición y dominio de conceptos básicos y de conocimientos sobre los avances en Big Data.
1. Cómo evoluciona el BI tradicional al Big Data (navegación web, geolocalización, audiencias tv, etc.)
1.1. Ejemplos y casos representativos (navegación web, geolocalización, audiencias tv, etc.)
2. El Big Data como solución al tratamiento masivo de datos: definición e historia desde su invención
2.1.Aplicaciones empresariales clave: sectores y áreas donde Big Data ha marcado la diferencia
3. Hadoop como revolución para el tratamiento paralelo de datos masivo
3.1. HDFS y MapReduce 4. Características del Big Data (4Vs y más): volumetría, velocidad, variedad, veracidad (calidad del dato), valor del dato, etc.
4.1.Volumetría, velocidad, variedad y veracidad: ejemplos prácticos
4.2. El valor del dato como ventaja competitiva
5. Nuevos paradigmas del Big Data: procesos en real time y cloud computing
5.1. Procesos en real time: entender los macrodatos en tiempo real
5.2.Cloud computing como habilitador del Big Data: beneficios, desafíos y ejemplos de su implementación
Unidad 2: Conocimiento de nociones básicas sobre arquitectura Big Data y principales tecnologías.
1. El ecosistema Hadoop: HDFS y MapReduce
1.1. HDFS: fundamentos y almacenamiento distribuido
1.2. MapReduce: modelo de procesamiento paralelo
2. Principales lenguajes de programación utilizados: Java, Scala, SQL y Python
2.1. Java y Scala: principales usos y casos de ejemplo
2.2.SQL y Python: principales usos y casos de ejemplo
3. Procesos ETL (Extracción, Transformación y Carga): Flume, Sqoop y Hive
3.1. El uso de Flume y Sqoop como herramientas principales
3.2. Hive como herramienta para el análisis de datos
4. Procesos real time y bases de datos de alta disponibilidad: Kafka, HBase y Redis
4.1.Kafka: gestión de datos en tiempo real
4.2. HBase y Redis: bases de datos distribuidas y de alta disponibilidad
5. Procesamiento y analítica avanzada con Spark
6. Seguridad y gobierno del dato
Unidad 3: Comprensión de los principales conceptos sobre la Ciencia de Datos e IA
1. Introducción a la Ciencia de Datos y la Inteligencia Artificial
1.1. Principales diferencias entre Ciencia de Datos y Big Data
2. Principales lenguajes de programación utilizados: R y Python
2.1. Python: librerías específicas para IA y Ciencia de Datos
3. Algoritmos supervisados: ¿qué son? algunos ejemplos
3.1.Regresión lineal y árboles de decisión
4. Algoritmos no supervisados: ¿qué son? algunos ejemplos
5. Introducción al Deep Learning y al Aprendizaje por Refuerzo
5.1.Redes neuronales profundas: conceptos básicos
6. Procesamiento de información no estructurada: imágenes y textos
6.1. Herramientas para el procesamiento de información no estructurada
7. Visualización de datos: visualizaciones interactivas y dashboards
Unidad 4: Adquisición de una visión transversal sobre el futuro del Big Data y cómo se aplica actualmente en diferentes áreas.
1. Ejemplos en las instituciones públicas: OpenData
1.1. Iniciativas de OpenData a nivel internacional
1.2. Impacto del OpenData en la transparencia gubernamental
2. Ejemplos en el mundo empresarial: ejemplos de aplicabilidad del Big Data a la eficiencia de las operaciones de una compañía
2.1.Aplicaciones del Big Data en la optimización de operaciones
2.2.Big Data en la toma de decisiones estratégicas
3. Data For Good: Big Data para el bien social
3.1. Ejemplos de proyectos sociales impulsados por el Big Data
3.2. Reflexiones finales sobre el impacto del Big Data en los años venideros
4.1. Principales tendencias futuras: automatización y personalización
4.2.Retos éticos y legales en la evolución del Big Data
Todavía no hay reseñas para este curso.
SKU: 67140IN
100 horas Visitado 1519 veces
SKU: IFCD0050_EC
60 horas Visitado 1515 veces
SKU: IFCD015PO_EC
150 horas Visitado 1622 veces
¿Quieres ver todas las acciones formativas relacionadas？
Ver todos