IFCT0134

Conocimiento/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

Origen y evolución de Big Data.

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.

Conocimiento/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.

Conocimiento/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.

Conocimiento/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.

Conocimiento/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 Bl 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.

Conocimiento/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.