Introducción al big data e inteligencia artificial
Objetivo general:
Comprender y aplicar las características esenciales del procesamiento masivo de datos y su integración con algoritmos de Inteligencia Artificial, así como para planificar y desarrollar proyectos de Big Data e IA orientados a la optimización de procesos y toma de decisiones en el entorno empresarial.
Contenido:
Módulo 1. Introducción al Big Data (12 horas).
Objetivo módulo: Comprender los conceptos fundamentales de Big Data, sus características y su importancia en el entorno empresarial, así como adquirir un conocimiento básico sobre los principios de la inteligencia artificial (IA), incluyendo los diferentes tipos de algoritmos de aprendizaje supervisado y no supervisado.
– Conocimiento de la evolución del Business Intelligence (BI) tradicional al Big Data.
– Navegación web, geolocalización y audiencias de TV: Impacto en el análisis de datos.
– Cómo el Big Data resuelve problemas del tratamiento masivo de datos.
– Identificación de las características del Big Data.
– Las 4 V’s: Volumen, Velocidad, Variedad y Veracidad.
– Valor del dato: La importancia de la calidad y el valor que aportan los datos.
– Nuevas dimensiones: Escalabilidad y características adicionales de Big Data.
– Comprensión de los nuevos paradigmas del Big Data.
– Procesos en tiempo real: Cómo Big Data permite la respuesta en tiempo real a eventos.
– Cloud Computing: Cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos.
– Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos.
– Introducción a Hadoop: Historia y su impacto en el procesamiento de datos paralelos.
– HDFS y MapReduce: Principales componentes de Hadoop.
Módulo 2. Arquitectura Big Data y principales tecnologías (12 horas).
Objetivo módulo: Utilizar herramientas y técnicas para el procesamiento de datos masivos, manejando frameworks como Hadoop y Spark y aprendiendo a realizar operaciones básicas de ETL (Extracción, Transformación y Carga) en grandes conjuntos de datos.
– Conocimiento general del ecosistema Hadoop.
– HDFS: Sistema de archivos distribuido de Hadoop.
– MapReduce: La tecnología clave para el procesamiento paralelo de datos en Hadoop.
– Identificación de los lenguajes de programación en Big Data.
– Java y Scala: Los lenguajes más utilizados en el desarrollo de soluciones Big Data.
– SQL: El papel del SQL en la gestión de bases de datos estructuradas en Big Data.
– Python: Uso de Python en análisis y procesamiento de datos.
– Comprensión de los procesos ETL (Extracción, Transformación y Carga).
– Herramientas como Flume, Sqoop y HIVE: Cómo se gestionan y transforman grandes volúmenes de datos.
– Introducción a las mejores prácticas y herramientas en los procesos ETL.
– Adquisición del concepto real time y bases de datos de alta disponibilidad.
– Kafka, HBASE y Redis: Principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad.
– Concienciación con la seguridad y gobernanza del dato.
– Importancia de la seguridad en Big Data: Cómo proteger los datos en entornos distribuidos.
– Gobernanza de datos: Gestión de la calidad y el acceso a los datos en Big Data.
Módulo 3. Ciencia de datos e inteligencia artificial (12 horas).
Objetivo módulo: Aplicar métodos de análisis de datos y utilizar herramientas de visualización para presentar resultados de manera efectiva, interpretando datos analíticos y comunicando hallazgos de forma clara y visual.
– Asimilación de conceptos sobre la Ciencia de Datos y la IA.
– Conceptos clave de la Ciencia de Datos: Qué es y cómo se aplica Big Data en la ciencia de datos.
– Relación entre Big Data e Inteligencia Artificial: Cómo se interrelacionan y se complementan en el análisis de datos.
– Conocimiento de los lenguajes de programación en Ciencia de Datos.
– R y Python: Herramientas clave en el análisis de datos, exploración y procesamiento.
– Comprensión de los algoritmos Supervisados.
– Qué son los algoritmos supervisados: Principales tipos de algoritmos y su aplicación en clasificación y predicción.
– Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM), y redes neuronales.
– Comprensión de los algoritmos No-Supervisados.
– Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones.
– K-means, análisis de componentes principales (PCA), y otros métodos de clustering.
– Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo.
– Introducción al Deep Learning: Redes neuronales profundas y su aplicación.
– Aprendizaje por Refuerzo: Qué es y cómo se utiliza para la toma de decisiones en IA.
– Comprensión del procesamiento de Información No Estructurada.
– Imágenes y textos: Técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio.
– Métodos de análisis y extracción de patrones.
– Conocimiento de técnicas para la visualización de datos.
– Creación de visualizaciones interactivas: Herramientas como Tableau y Power BI para representar datos y resultados.
– Dashboards: Diseño y desarrollo de dashboards para la toma de decisiones.
Módulo 4. Aplicaciones del Big Data e impacto futuro (14 horas).
Objetivo módulo: Desarrollar una comprensión integral de las aplicaciones prácticas del Big Data y la IA en diversos sectores, así como identificar las tendencias emergentes y retos futuros, incluyendo aspectos éticos y de privacidad.
– Identificación de las principales aplicaciones del Big Data.
– Caso de uso: Big Data en el sector retail.
– Caso de uso: Big Data en el sector financiero.
– Caso de uso: Big Data en el sector salud.
– Caso de uso: Big Data en marketing y redes sociales.
– Comprensión de la aplicación de la IA en la toma de decisiones empresariales.
– Automatización de decisiones.
– Sistemas de recomendación.
– Predicción de demanda y comportamiento del cliente.
– Conocimiento de las tendencias futuras del Big Data y la IA.
– Edge Computing.
– Inteligencia artificial generativa.
– IA explicable y transparente.
– Consideración de los retos éticos y de privacidad.
– Sesgos en algoritmos de IA.
– Protección de datos y privacidad.
– Regulación y responsabilidad en el uso de Big Data e IA.
– Aplicación de medidas de eficiencia energética y sostenibilidad ambiental.
– Optimización del consumo energético mediante la gestión eficiente de recursos.
– Gestión eficiente del almacenamiento para reducir el desperdicio de espacio.
– Implementación de prácticas de reciclaje y disposición responsable de hardware.
Nuestra Comunidad
Preguntas frecuentes sobre el curso
Sí, todos los cursos en Fórmate son 100% gratuitos. Están financiados por organismos públicos y no tienen coste alguno para el alumno ni para la empresa.
Correcto. Al completar con éxito el curso de Introducción al big data e inteligencia artificial, recibirás un diploma o certificado oficial que acredita los conocimientos adquiridos, mejorando tu perfil profesional.
Los requisitos varían según la convocatoria (trabajadores, autónomos o desempleados). Puedes consultar los requisitos específicos con nuestro equipo.
COSTE:
Financiado por Servicio Público de Empleo Estatal (SEPE).
MODALIDAD:
Online.
CERTIFICACIÓN:
Diploma emitido por la entidad impartidora.
DURACIÓN:
50 h.
