Introducción al big data e inteligencia artificial

Objetivos

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.

Contenidos

• 1. Bloque temático principal
• 1.1. Adquisición y dominio de conceptos básicos y de conocimientos sobre los avances en big data.
• 1.2. Cómo evoluciona el bi tradicional al big data (navegación web, geolocalización, audiencias tv?).
• 1.3. El big data como solución al tratamiento masivo de datos: Definición e historia desde su invención.
• 1.4. Hadoop como revolución para el tratamiento paralelo de datos masivo.
• 1.5. Características del big data (4 v's y más): Volumetría, velocidad, variedad (estructurados/no estructurados), veracidad (calidad del dato), valor del dato.
• 1.6. Nuevos paradigmas del big data: Procesos en real time y cloud computing.
• 1.7. Conocimiento de nociones básicas sobre arquitectura big data y principales tecnologías.
• 1.8. El ecosistema hadoop: Hdfs y mapreduce.
• 1.9. Principales lenguajes de programación utilizados: Java, scala, SQL y python.
• 1.10. Procesos etl (extracción, transformación y carga): Flume, sqoop y hive.
• 1.11. Procesos real time y bases de datos de alta disponibilidad: Kafka, hbase y redis.
• 1.12. Procesamiento y analítica avanzada con spark.
• 1.13. Seguridad y gobierno del dato.
• 1.14. Comprensión de los principales conceptos sobre la? Ciencia de datos? E ia.
• 1.15. Introducción a la? Ciencia de datos? Y la inteligencia artificial.
• 1.16. Principales lenguajes de programación utilizados: R y python.
• 1.17. Algoritmos supervisados: ¿Qué son? Algunos ejemplos.
• 1.18. Algoritmos no supervisados: ¿Qué son? Algunos ejemplos.
• 1.19. Introducción al deeplearning y el aprendizaje por refuerzo.
• 1.20. Procedimiento de información estructurada: Imágenes y textos.
• 1.21. Visualización de datos: Visualizaciones interactivas y dashboards.
• 1.22. Adquisición de una visión trasversal sobre el futuro del big data y cómo se aplica actualmente en diferentes áreas.
• 1.23. Ejemplos en las instituciones públicas: Open data.
• 1.24. Ejemplos en el mundo empresarial: Ejemplos de aplicabilidad del big data a la eficiencia de las operaciones de una compañía.
• 1.25. 3.? Data for good?: Big data para el bien social.
• 1.26. Reflexiones finales sobre el impacto del big data en los años venideros.