Introducción al Big Data e Inteligencia Artificial

¿Cuáles son los objetivos del curso?

Comprender y aplicar las características esenciales del procesamiento masivo de datos y su integración con algoritmos de Inteligencia Artificial, así como para planificar y desarrollar proyectos de Big Data e IA orientados a la optimización de procesos y toma de decisiones en el entorno empresarial.

¿Qué vas a aprender?

INTRODUCCIÓN AL BIG DATA.

• Conocimiento de la evolución del Business Intelligence (BI) tradicional al Big Data
  • Navegación web, geolocalización y audiencias de TV: Impacto en el análisis de datos.
  • Cómo el Big Data resuelve problemas del tratamiento masivo de datos.
  • Identificación de las características del Big Data
  • Las 4 V’s: Volumen, Velocidad, Variedad y Veracidad.
  • Valor del dato: La importancia de la calidad y el valor que aportan los datos.
  • Nuevas dimensiones: Escalabilidad y características adicionales de Big Data.
• Comprensión de los nuevos paradigmas del Big Data
  • Procesos en tiempo real: Cómo Big Data permite la respuesta en tiempo real a eventos.
  • Cloud Computing: Cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos.
  • Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos.
  • Introducción a Hadoop: Historia y su impacto en el procesamiento de datos paralelos.
  • HDFS y MapReduce: Principales componentes de Hadoop.

ARQUITECTURA BIG DATA Y PRINCIPALES TECNOLOGÍAS.

• Conocimiento general del ecosistema Hadoop.
  • HDFS: Sistema de archivos distribuido de Hadoop.
  • MapReduce: La tecnología clave para el procesamiento paralelo de datos en Hadoop.
  • Identificación de los lenguajes de programación en Big Data
  • Java y Scala: Los lenguajes más utilizados en el desarrollo de soluciones Big Data.
  • SQL: El papel del SQL en la gestión de bases de datos estructuradas en Big Data.
  • Python: Uso de Python en análisis y procesamiento de datos.
• Comprensión de los procesos ETL (Extracción, Transformación y Carga).
  • Herramientas como Flume, Sqoop y HIVE: Cómo se gestionan y transforman grandes volúmenes de datos.
  • Introducción a las mejores prácticas y herramientas en los procesos ETL.
  • Adquisición del concepto real time y bases de datos de alta disponibilidad
  • Kafka, HBASE y Redis: Principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad.
• Concienciación con la seguridad y gobernanza del dato.
  • Importancia de la seguridad en Big Data: Cómo proteger los datos en entornos distribuidos.
  • Gobernanza de datos: Gestión de la calidad y el acceso a los datos en Big Data.

CIENCIA DE DATOS E INTELIGENCIA ARTIFICIAL.

• Asimilación de conceptos sobre la Ciencia de Datos y la IA.
  • Conceptos clave de la Ciencia de Datos: Qué es y cómo se aplica Big Data en la ciencia de datos.
  • Relación entre Big Data e Inteligencia Artificial: Cómo se interrelacionan y se complementan en el análisis de datos.
• Conocimento de los lenguajes de programación en Ciencia de Datos.
  • R y Python: Herramientas clave en el análisis de datos, exploración y procesamiento.
• Comprensión de los algoritmos Supervisados.
  • Qué son los algoritmos supervisados: Principales tipos de algoritmos y su aplicación en clasificación y predicción.
  • Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM), y redes neuronales.
• Comprensión de los algoritmos No-Supervisados.
  • Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones.
  • K-means, análisis de componentes principales (PCA), y otros métodos de clustering.
• Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo.
  • Introducción al Deep Learning: Redes neuronales profundas y su aplicación.
  • Aprendizaje por Refuerzo: Qué es y cómo se utiliza para la toma de decisiones en IA.
• Comprensión del procesamiento de Información No Estructurada.
  • Imágenes y textos: Técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio.
  • Métodos de análisis y extracción de patrones.
• Conocimiento de técnicas para la visualización de datos.
  • Creación de visualizaciones interactivas: Herramientas como Tableau y Power BI para representar datos y resultados.
  • Dashboards: Diseño y desarrollo de dashboards para la toma de decisiones.

APLICACIONES DEL BIG DATA E IMPACTO FUTURO.

• Reconocimiento de las aplicaciones del Big Data en el sector público.
  • OpenData: Ejemplos de aplicación del Big Data en instituciones públicas para la transparencia y eficiencia.
  • Casos de uso en gestión pública: Impacto en políticas públicas, educación y salud.
• Reconocimiento de las aplicaciones empresariales de Big Data.
  • Casos de uso en la mejora de eficiencia operativa dentro de empresas.
  • Aplicaciones en marketing, logística, predicción de demanda y personalización.
• Comprensión del alcance del“Data for Good”: Big Data para el Bien Social.
  • Cómo Big Data se utiliza para fines sociales: Proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico.
  • Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación.
• Reflexión sobre el Futuro del Big Data.
  • Nuevas tendencias emergentes: IA, procesamiento de datos en la nube, y más.
  • Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años.
• Aplicación de medidas de eficiencia energética y sostenibilidad ambiental.
  • Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data.
  • Optimización de recursos en la nube para reducir el consumo energético.

¿Cómo son las clases? 

Este curso se imparte en modalidad online con una duración de 50 horas.