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.
Cumplir como mínimo los siguientes requisitos:
– Título de Bachiller o equivalente.
– Título de Técnico Superior (FP Grado Superior) o equivalente.
– Haber superado las pruebas de acceso a Ciclos formativos de Grado
Superior.
– Haber superado cualquier prueba oficial de acceso a la universidad.
– Certificado de profesionalidad de nivel 3.
– Título de Grado o equivalente.
– Título de Postgrado (Máster) o equivalente
Conocimientos/ Capacidades cognitivas y prácticas
• Adquisición y dominio de conceptos básicos y de conocimientos sobre los avances en Big Data:
– Cómo evoluciona el BI tradicional al Big Data (navegación web, geolocalización, audiencias TV,…)
– El Big Data como solución al tratamiento masivo de datos: definición e historia desde su invención.
– Hadoop como revolución para el tratamiento paralelo de datos masivo.
– Características del Big Data (4 V’s y más): volumetría, velocidad, variedad (estructurados/no
estructurados), veracidad (calidad del dato), valor del dato, …
– Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing.
• Conocimiento de nociones básicas sobre arquitectura Big Data y principales tecnologías:
– El ecosistema Hadoop: HDFS y MapReduce.
– Principales lenguajes de programación utilizados: Java, Scala, SQL y Python.
– Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE.
– Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis.
– Procesamiento y analítica avanzada con Spark.
– Seguridad y gobierno del dato.
• Comprensión de los principales conceptos sobre La “Ciencia de datos” e IA:
– Introducción a la “Ciencia de datos” y la Inteligencia Artificial.
– Principales lenguajes de programación utilizados: R y Python.
– Algoritmos supervisados: ¿Qué son? Algunos Ejemplos.
– Algoritmos no-supervisados: ¿Qué son? Algunos Ejemplos.
– Introducción al Deep Learning y el Aprendizaje por Refuerzo.
– Procesamiento de información no estructurada: Imágenes y Textos.
– Visualización de datos: Visualizaciones interactivas y Dashboards.
• Adquisición de una visión trasversal sobre el futuro del BigData y cómo se aplica actualmente en
diferentes áreas:
– Ejemplos en las instituciones públicas: OpenData.
– Ejemplos en el mundo empresarial: ejemplos de aplicabilidad del Big Data a la eficiencia de las
operaciones de una compañía.
– “Data for Good”: Big Data para el bien social.
– Reflexiones finales sobre el impacto del Big Data en los años venideros.
