200HORAS |
Diseñado y producido por Smartmind
Contenidos
Objetivo. Comprender los conceptos fundamentales de Big Data y su importancia en el contexto actual, identificar las características de los datos masivos (volumen, variedad, velocidad, veracidad y valor) y explorar las aplicaciones de Big Data en diferentes industrias. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Comprensión de conceptos básicos de Big Data
Definición, características (las 5 V's: Volumen, Velocidad, Variedad, Veracidad y Valor).
Diferencia entre datos estructurados, no estructurados y semiestructurados.
Ventajas del uso de Big Data.
Reconocimiento de la evolución histórica y contexto o Origen y evolución de Big Data. o Principales hitos tecnológicos en su desarrollo.
Conocimiento del ecosistema de Big Data
Componentes principales: almacenamiento, procesamiento y análisis.
Principales actores y plataformas (Hadoop, Spark, AWS, Google Cloud, etc.).
Identificación de casos de uso de Big Data
Aplicaciones en diferentes sectores: salud, marketing, finanzas, industria, etc.
Comunicación efectiva de conceptos complejos a diferentes audiencias.
Trabajo en equipo para discutir aplicaciones de Big Data en diferentes sectores.
Actitud proactiva hacia el aprendizaje de nuevas tecnologías.
Objetivo. Familiarizarse con las herramientas más utilizadas en el ámbito de Big Data, como Hadoop, Spark y NoSQL, aprender a configurar y utilizar estas herramientas para el procesamiento de grandes volúmenes de datos y analizar casos de uso reales de estas tecnologías en el análisis de datos. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Familiariación con la Infraestructura de Big Data
Computación distribuida: Hadoop y MapReduce.
Almacenamiento distribuido: HDFS.
Uso de herramientas principales
Apache Spark: arquitectura y casos de uso.
Bases de datos NoSQL: MongoDB, Cassandra, HBase.
Apache Kafka para procesamiento de flujos.
Integración y procesamiento de datos
Flume y Sqoop: ingestión de datos.
Procesamiento batch vs procesamiento en tiempo real.
Trabajo en entornos Cloud para Big Data
Introducción a AWS, Azure y Google BigQuery.
Comparativa entre soluciones en la nube.
Aplicación de medidas de eficiencia energética y sostenibilidad ambiental en el trabajo con grandes volúmenes de datos.
Colaboración en grupos para configurar herramientas de Big Data.
Gestión del tiempo para completar tareas prácticas en entornos de trabajo.
Adaptabilidad ante nuevas tecnologías y metodologías.
Trabajo buscando la eficiencia energética (reducción del uso de memoria volátil y persistente, uso de entornos de desarrollo con impacto reducido en el consumo de recursos, etc.).
Objetivo. Desarrollar habilidades en la manipulación y análisis de datos utilizando herramientas como Python y R, aprender a aplicar técnicas de análisis estadístico y machine learning para extraer información valiosa de los datos y realizar proyectos prácticos que involucren la limpieza, transformación y análisis de datos. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Preparación de datos
Limpieza, transformación y normalización.
Herramientas para la preparación de datos: Python (Pandas), Spark SQL.
Aplicación de técnicas de análisis descriptivo
Estadísticas básicas y agregación de datos.
Exploración de datos: herramientas y técnicas.
Aplicación de técnicas de análisis predictivo
Introducción a Machine Learning: conceptos y algoritmos básicos.
Modelos predictivos aplicados al análisis de Big Data.
Realización de análisis avanzado de datos
Segmentación de datos (clusterización).
Análisis de series temporales.
Pensamiento crítico para interpretar resultados de análisis de datos.
Resolución de problemas en el procesamiento y análisis de datos.
Colaboración en proyectos grupales para aplicar técnicas analíticas.
Objetivo. Aprender a utilizar herramientas de visualización de datos como Power BI y Tableau, comprendiendo los principios del diseño de visualizaciones efectivas para la presentación de datos, y crear dashboards interactivos que ayuden a comunicar hallazgos y tomar decisiones informadas. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Conocimiento de los fundamentos de la visualización
Principios básicos del diseño visual.
Buenas prácticas en la representación de datos.
Uso de herramientas de visualización
Tableau, Power BI, D3.js.
Herramientas integradas en Python (Matplotlib, Seaborn, Plotly).
Creación de dashboards
Estructura y diseño de tableros interactivos.
Elementos gráficos: gráficas, tablas, filtros, mapas.
Comunicación de resultados
Interpretación y narración basada en datos.
Personalización de visualizaciones para distintos públicos.
Creatividad en el diseño de visualizaciones efectivas.
Presentación clara de hallazgos a través de dashboards y gráficos.
Escucha activa durante retroalimentaciones sobre las visualizaciones creadas.
Objetivo. Explorar los conceptos y procesos de Business Intelligence (BI) y su relación con el análisis de datos. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Conocimiento de los conceptos básicos de Business Intelligence
Diferencias entre BI y Big Data.
Procesos clave en BI: ETL, análisis, reporting.
Conocimiento de la arquitectura de BI
Data Warehousing: introducción a modelos multidimensionales.
Herramientas de BI: Tableau, QlikView, Microsoft Power BI.
Realización de análisis de datos en BI
Creación de KPIs (Indicadores Clave de Rendimiento).
Aplicación de BI en la toma de decisiones empresariales.
Identificación de tendencias y futuro en BI
BI autoservicio y análisis avanzado.
Uso de inteligencia artificial y Machine Learning en BI.
Capacidad de negociación y persuasión al presentar estrategias de BI a partes interesadas.
Liderazgo en la implementación de soluciones de BI dentro de un equipo.
Interacción profesional en entornos empresariales para la toma de decisiones.
Objetivo. Desarrollar un análisis de datos completo que incluya la recolección, procesamiento, análisis y visualización de datos y presentar los resultados del proyecto, enfatizando la relevancia y las implicaciones para la toma de decisiones. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Definición del proyecto
Planteamiento del problema a resolver.
Selección de datos y herramientas.
Implementación práctica
Aplicación de las técnicas aprendidas en los módulos anteriores.
Análisis y visualización de datos.
Presentación de resultados y conclusiones
Presentación del proyecto.
Evaluación y retroalimentación.
Planificación y organización de tareas para completar un proyecto integral.
Gestión de recursos y tiempo para cumplir con los plazos establecidos.
Capacidad de autoevaluación y apertura a la retroalimentación para mejorar el trabajo final.
Vigilancia de ahorro energético y la reducción del impacto ambiental en la elaboración de presentaciones (impresión, papel, etc.).
