Información del curso
INTRODUCCIÓN AL BIG DATA E INTELIGENCIA ARTIFICIAL
50
HORAS
Online
TELEFORMACIÓN
📋 Requisitos
Acreditaciones/Titulaciones
Cumplir como mínimo alguno de los siguientes requisitos:
- Título de Bachiller o equivalente, Título de Técnico Superior (FP Grado superior) o equivalente, Haber superado la prueba de acceso a Ciclos Formativos de Grado Superior, Certificado de profesionalidad de nivel 3
- Experiencia profesional
- No se requiere
- Modalidad teleformación
- Además de lo indicado anteriormente, los participantes han de tener las destrezas suficientes para ser usuarios de la plataforma virtual en la que se apoya la acción formativa
🎯 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
Comprender los conceptos fundamentales de Big Data, sus características y su importancia en el entorno empresarial, así como adquirir un conocimiento básico sobre los principios de la inteligencia artificial (IA), incluyendo los diferentes tipos de algoritmos de aprendizaje supervisado y no supervisado.
Utilizar herramientas y técnicas para el procesamiento de datos masivos, manejando frameworks como Hadoop y Spark y aprendiendo a realizar operaciones básicas de ETL (Extracción, Transformación y Carga) en grandes conjuntos de datos.
Aplicar métodos de análisis de datos y utilizar herramientas de visualización para presentar resultados de manera efectiva, interpretando datos analíticos y comunicando hallazgos de forma clara y visual.
Analizar el impacto que Big Data y la inteligencia artificial tienen en diversos sectores, como salud, finanzas y marketing, explorando casos de uso reales, identificando oportunidades laborales emergentes y comprendiendo cómo estas tecnologías están transformando ocupaciones y procesos en el ámbito profesional.
📚 Contenidos del curso
1 1. Introducción al Big Data
1.1 Conocimiento de la evolución del Business Intelligence (BI) tradicional al Big Data
1.2 Navegación web, geolocalización y audiencias de TV: Impacto en el análisis de datos.
1.3 Cómo el Big Data resuelve problemas del tratamiento masivo de datos.
1.4 Identificación de las características del Big Data
1.5 Las 4 V’s: Volumen, Velocidad, Variedad y Veracidad.
1.6 Valor del dato: La importancia de la calidad y el valor que aportan los datos.
1.7 Nuevas dimensiones: Escalabilidad y características adicionales de Big Data.
1.8 Comprensión de los nuevos paradigmas del Big Data
1.9 Procesos en tiempo real: Cómo Big Data permite la respuesta en tiempo real a eventos.
1.10 Cloud Computing: Cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos.
1.11 Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos
1.12 Introducción a Hadoop: Historia y su impacto en el procesamiento de datos paralelos.
1.13 HDFS y MapReduce: Principales componentes de Hadoop.
1.2 Navegación web, geolocalización y audiencias de TV: Impacto en el análisis de datos.
1.3 Cómo el Big Data resuelve problemas del tratamiento masivo de datos.
1.4 Identificación de las características del Big Data
1.5 Las 4 V’s: Volumen, Velocidad, Variedad y Veracidad.
1.6 Valor del dato: La importancia de la calidad y el valor que aportan los datos.
1.7 Nuevas dimensiones: Escalabilidad y características adicionales de Big Data.
1.8 Comprensión de los nuevos paradigmas del Big Data
1.9 Procesos en tiempo real: Cómo Big Data permite la respuesta en tiempo real a eventos.
1.10 Cloud Computing: Cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos.
1.11 Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos
1.12 Introducción a Hadoop: Historia y su impacto en el procesamiento de datos paralelos.
1.13 HDFS y MapReduce: Principales componentes de Hadoop.
2 2. Arquitectura Big Data y principales tecnologías
2.1 Conocimiento general del ecosistema Hadoop
2.2 HDFS: Sistema de archivos distribuido de Hadoop.
2.3 MapReduce: La tecnología clave para el procesamiento paralelo de datos en Hadoop.
2.4 Identificación de los lenguajes de programación en Big Data
2.5 Java y Scala: Los lenguajes más utilizados en el desarrollo de soluciones Big Data.
2.6 SQL: El papel del SQL en la gestión de bases de datos estructuradas en Big Data.
2.7 Python: Uso de Python en análisis y procesamiento de datos.
2.8 Comprensión de los procesos ETL (Extracción, Transformación y Carga)
2.9 Herramientas como Flume, Sqoop y HIVE: Cómo se gestionan y transforman grandes volúmenes de datos.
2.10 Introducción a las mejores prácticas y herramientas en los procesos ETL.
2.11 Adquisición del concepto real time y bases de datos de alta disponibilidad
2.12 Kafka, HBASE y Redis: Principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad.
2.13 Concienciación con la seguridad y gobernanza del dato
2.14 Importancia de la seguridad en Big Data: Cómo proteger los datos en entornos distribuidos.
2.15 Gobernanza de datos: Gestión de la calidad y el acceso a los datos en Big Data.
2.2 HDFS: Sistema de archivos distribuido de Hadoop.
2.3 MapReduce: La tecnología clave para el procesamiento paralelo de datos en Hadoop.
2.4 Identificación de los lenguajes de programación en Big Data
2.5 Java y Scala: Los lenguajes más utilizados en el desarrollo de soluciones Big Data.
2.6 SQL: El papel del SQL en la gestión de bases de datos estructuradas en Big Data.
2.7 Python: Uso de Python en análisis y procesamiento de datos.
2.8 Comprensión de los procesos ETL (Extracción, Transformación y Carga)
2.9 Herramientas como Flume, Sqoop y HIVE: Cómo se gestionan y transforman grandes volúmenes de datos.
2.10 Introducción a las mejores prácticas y herramientas en los procesos ETL.
2.11 Adquisición del concepto real time y bases de datos de alta disponibilidad
2.12 Kafka, HBASE y Redis: Principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad.
2.13 Concienciación con la seguridad y gobernanza del dato
2.14 Importancia de la seguridad en Big Data: Cómo proteger los datos en entornos distribuidos.
2.15 Gobernanza de datos: Gestión de la calidad y el acceso a los datos en Big Data.
3 3. Ciencia de datos e inteligencia artificial
3.1 Asimilación de conceptos sobre la Ciencia de Datos y la IA
3.2 Conceptos clave de la Ciencia de Datos: Qué es y cómo se aplica Big Data en la ciencia de datos.
3.3 Relación entre Big Data e Inteligencia Artificial: Cómo se interrelacionan y se complementan en el análisis de datos.
3.4 Conocimiento de los lenguajes de programación en Ciencia de Datos
3.5 R y Python: Herramientas clave en el análisis de datos, exploración y procesamiento.
3.6 Comprensión de los algoritmos Supervisados
3.7 Qué son los algoritmos supervisados: Principales tipos de algoritmos y su aplicación en clasificación y predicción.
3.8 Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM), y redes neuronales.
3.9 Comprensión de los algoritmos No-Supervisados
3.10 Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones.
3.11 K-means, análisis de componentes principales (PCA), y otros métodos de clustering.
3.12 Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo
3.13 Introducción al Deep Learning: Redes neuronales profundas y su aplicación.
3.14 Aprendizaje por Refuerzo: Qué es y cómo se utiliza para la toma de decisiones en IA.
3.15 Comprensión del procesamiento de Información No Estructurada
3.16 Imágenes y textos: Técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio.
3.17 Métodos de análisis y extracción de patrones.
3.18 Conocimiento de técnicas para la visualización de datos
3.19 Creación de visualizaciones interactivas: Herramientas como Tableau y Power BI para representar datos y resultados.
3.20 Dashboards: Diseño y desarrollo de dashboards para la toma de decisiones.
3.2 Conceptos clave de la Ciencia de Datos: Qué es y cómo se aplica Big Data en la ciencia de datos.
3.3 Relación entre Big Data e Inteligencia Artificial: Cómo se interrelacionan y se complementan en el análisis de datos.
3.4 Conocimiento de los lenguajes de programación en Ciencia de Datos
3.5 R y Python: Herramientas clave en el análisis de datos, exploración y procesamiento.
3.6 Comprensión de los algoritmos Supervisados
3.7 Qué son los algoritmos supervisados: Principales tipos de algoritmos y su aplicación en clasificación y predicción.
3.8 Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM), y redes neuronales.
3.9 Comprensión de los algoritmos No-Supervisados
3.10 Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones.
3.11 K-means, análisis de componentes principales (PCA), y otros métodos de clustering.
3.12 Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo
3.13 Introducción al Deep Learning: Redes neuronales profundas y su aplicación.
3.14 Aprendizaje por Refuerzo: Qué es y cómo se utiliza para la toma de decisiones en IA.
3.15 Comprensión del procesamiento de Información No Estructurada
3.16 Imágenes y textos: Técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio.
3.17 Métodos de análisis y extracción de patrones.
3.18 Conocimiento de técnicas para la visualización de datos
3.19 Creación de visualizaciones interactivas: Herramientas como Tableau y Power BI para representar datos y resultados.
3.20 Dashboards: Diseño y desarrollo de dashboards para la toma de decisiones.
4 4. Aplicaciones del Big Data e impacto futuro
4.1 Reconocimiento de las aplicaciones del Big Data en el sector público
4.2 OpenData: Ejemplos de aplicación del Big Data en instituciones públicas para la transparencia y eficiencia.
4.3 Casos de uso en gestión pública: Impacto en políticas públicas, educación y salud.
4.4 Reconocimiento de las aplicaciones empresariales de Big Data
4.5 Casos de uso en la mejora de eficiencia operativa dentro de empresas.
4.6 Aplicaciones en marketing, logística, predicción de demanda y personalización.
4.7 Comprensión del alcance del “Data for Good”: Big Data para el Bien Social
4.8 Cómo Big Data se utiliza para fines sociales: Proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico.
4.9 Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación.
4.10 Reflexión sobre el Futuro del Big Data
4.11 Nuevas tendencias emergentes: IA, procesamiento de datos en la nube, y más.
4.12 Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años.
4.13 Aplicación de medidas de eficiencia energética y sostenibilidad ambiental
4.14 Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data.
4.15 Optimización de recursos en la nube para reducir el consumo energético.
4.2 OpenData: Ejemplos de aplicación del Big Data en instituciones públicas para la transparencia y eficiencia.
4.3 Casos de uso en gestión pública: Impacto en políticas públicas, educación y salud.
4.4 Reconocimiento de las aplicaciones empresariales de Big Data
4.5 Casos de uso en la mejora de eficiencia operativa dentro de empresas.
4.6 Aplicaciones en marketing, logística, predicción de demanda y personalización.
4.7 Comprensión del alcance del “Data for Good”: Big Data para el Bien Social
4.8 Cómo Big Data se utiliza para fines sociales: Proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico.
4.9 Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación.
4.10 Reflexión sobre el Futuro del Big Data
4.11 Nuevas tendencias emergentes: IA, procesamiento de datos en la nube, y más.
4.12 Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años.
4.13 Aplicación de medidas de eficiencia energética y sostenibilidad ambiental
4.14 Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data.
4.15 Optimización de recursos en la nube para reducir el consumo energético.