90HORAS |
Diseñado y producido por Smartmind
Contenidos
Objetivo. Conocer los conceptos fundamentales de la minería de datos y el aprendizaje automático, sus áreas de aplicación y técnicas principales y los principales elmentos para mejorar la eficiencia energética en el trabajo con grandes volúmenes de datos. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Conocimiento de los conceptos básicos de minería de datos y aprendizaje automático
Aplicación del proceso de descubrimiento de conocimiento en bases de datos (KDD)
Aplicación de modelos y técnicas de Data Mining
Uso de minería de textos y web mining
Identificación de aplicaciones prácticas
Identificación de procedimientos de eficiencia energética en el trabajo con grandes volúmenes de datos
Optimización del consumo energético mediante la gestión eficiente de recursos.
Gestión eficiente del almacenamiento para reducir el desperdicio de espacio.
Uso de herramientas de monitorización para identificar y reducir el consumo innecesario de recursos.
Adaptación constante al cambio, comprendiendo la importancia de mantenerse actualizado con las últimas tendencias y tecnologías en la automatización de entornos TIC.
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. Aprender a utilizar R y RStudio como herramientas para análisis de Big Data, visualización y manipulación de datos. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Utilización de R y RStudio
Instalación y configuración de R y RStudio.
Fundamentos del lenguaje R.
Estructuras de datos en R (vectores, listas, matrices y data frames).
Control de flujo y funciones en R.
Visualización de datos en gráficos básicos con ggplot2.
Introducción a expresiones regulares.
Integración de R con Hadoop y casos de uso en Big Data.
Capacidad de análisis en el uso de herramientas como R y RStudio para interpretar y manipular grandes volúmenes de información.
Preocupación por el seguimiento y cumplimiento de políticas y regulaciones de seguridad.
Cumplimiento de normas éticas y legales.
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 técnicas de preprocesamiento, modelado predictivo y análisis de redes sociales, con un enfoque práctico en la toma de decisiones. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Preprocesamiento y Modelado Predictivo
Extracción, transformación y carga de datos (ETL)
Inferencia estadística y pruebas de hipótesis
Modelos de regresión y clasificación
Árboles de decisión (C4.5, M5P, etc.) y Random Forest
Algoritmos de clustering y k-NN
Evaluación de rendimiento de modelos predictivos
Análisis de Redes y Presentación de Resultados
Introducción a la teoría de grafos y redes sociales
Métricas y análisis de redes sociales
Técnicas de visualización de redes
Presentación de resultados para toma de decisiones.
Enfoque analítico y habilidades para tomar decisiones basadas en datos.
Automatización de tareas e incremento de la eficiencia.
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. Comprender los fundamentos de procesamiento distribuido utilizando Hadoop y MapReduce, así como a usar herramientas de minería de datos como WEKA para experimentar con algoritmos y modelos predictivos en un entorno visual. CONOCIMIENTOS/ CAPACIDADES COGNITIVAS Y PRÁCTICAS
Procesamiento Distribuido de Datos
Introducción a Hadoop y el sistema de archivos HDFS
Conceptos básicos de configuración de clusters
Procesamiento de datos con MapReduce
Buenas prácticas para la administración de datos distribuidos
Ejecución de trabajos MapReduce en entornos distribuidos
Aplicación de minería de Datos
Introducción a WEKA y técnicas de data mining aplicadas
Selección de atributos y preparación de datos
Ejecución de algoritmos de clasificación y clustering
Evaluación de modelos y análisis de resultados.
Enfoque analítico y habilidades para tomar decisiones basadas en datos.
Automatización de tareas e incremento de la eficiencia.
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.).
Fomento del trabajo colaborativo y de la gestión de tareas dentro de entornos distribuidos.
