Full Stack
Big Data, AI & ML Bootcamp

Big   Data   Architecture   (32h): En  este  módulo  vemos  una  pintura  completa  del  proceso  de  ingesta, clasificación, resguardo,  procesamiento  y  presentación  de  los  datos  utilizando  muchas  herramientas.

Nos  centraremos  en  conceptos  de  arquitectura  como  disponibilidad,  escalabilidad, resiliencia  y  otros.El  módulo  está  altamente  centrado  en  instalar,  configurar  y  operar  sobre  Hadoop  y HDFs  junto  con  todo  el  suite  de  plugins  y  componentes  afines  tanto  en  sistemas  in premise  como  en  la  nube.

Big   Data   Processing   (Spark   &   Scala)   (24h): Familiarizar  a  los  no  desarrolladores  con  un  ecosistema  de  desarrollo. Conocer  un  IDE  profesional  y  un  lenguaje  ‘nativo  big  data’  de  programación,  Scala,  con  el cual  se  ha  escrito  uno  de  los  motores  de  procesamiento  más  conocidos  hasta  la  fecha, Apache  Spark.

Recorreremos  de  forma  práctica  todos  y  cada  uno  de  los  módulos  de  Spark,  iniciando camino  en  su  ‘core’  y  transitando  por  Spark  SQL,  Spark  Streaming  (Structured),  Spark MLlib  (Machine  learning)  y  GraphX  (información  almacenada  en  estructuras arborescentes).

Exploración y Visualización de Datos (12h): Profundizar en el análisis de los datos mediante el reporting y para ello se va a usar una  herramienta denominada Tableau, muy conocida en el mundo del Business Intelligence.

El análisis visual es el objetivo final en un proyecto de Big data ya que a través de este, se puede proporcionar información muy útil para una  empresa como respuesta a los problemas de negocio con un aspecto personalizado, ágil e inmediato.

Modern Exploration & Visualization  —  D3.js (12h): Introducción svg, visualización de gráficas con D3, mapas con D3, pintando datos en Real time.

Estadística (20h): Antes de abordar cualquier problema de machine learning es obligatorio mirar a los datos, ver qué podemos preguntar a los  datos y qué información podemos sacar de ellos. 

El análisis exploratorio de datos es el primer paso que todo data scientist tiene que tomar. Para ello es fundamental tener un buen conocimiento  de estadística que le permite saber si ciertas variables tienen relación o no, o si varios grupos de datos se pueden considerar diferentes o iguales. 

Un buen análisis estadístico nos proporcionará respuestas que pueden complementar algún modelo posterior de machine learning más complejo.

Álgebra, Cálculo y Geometría (20h): Es conocido que todo buen Data Scientist tiene que tener una buena base de estadística, lo que no es  tan conocido pero igualmente necesario es la base de Álgebra, cálculo y geometría también es imprescindible. En este módulo asentaremos esa base.

Data Mining (24h): El Data Mining es la técnica para extraer el conocimiento a través de grandes volúmenes de datos. Utiliza los métodos de  la inteligencia artificial, aprendizaje automático, estadística y sistemas de bases de datos. Este Módulo se imparte con R.

Machine Learning 101 (24h): El aprendizaje automático, o machine learning, es la disciplina científica que permite a las máquinas aprender a  partir de ejemplos, y constituye la base de los algoritmos de inteligencia artificial.

En este módulo, complementario a estadística y data mining, se presentarán los  fundamentos del aprendizaje automático, con énfasis en  algoritmos de clasificación y regresión.

Al finalizar el módulo, el alumno será capaz de conocer las ventajas e inconvenientes de los distintos algoritmos analizados, y de aplicar buenas prácticas en el entrenamiento de modelos de aprendizaje automático. Todo ello, combinando teoría (fundamentos) y ejemplos prácticos, sencillos y realistas.

Deep Learning (24h): Desde la aparición del Big Data, uno de los grandes retos para los Data Scientists ha sido el de ser capaces de elegir  las características adecuadas para solucionar cada problema. En este módulo se introducen las redes neuronales profundas, las cuales  permiten encontrar automáticamente estas características aprovechándose de la gran cantidad de datos disponible.

El alumno conocerá y entenderá cómo funcionan las redes neuronales (tradicionales,  convolucionales  y  recurrentes), como entrenarlas, cómo tunearlas y cómo aplicarlas a diferentes tipos de problemas. Todo ello acompañado de ejemplos prácticos que permitirán afianzar la teoría de  una forma más amena.

NLP (24h): Con el aumento de más datos no estructurados, sobretodo en formato imagen y texto, ser capaces de extraer información de texto  o poder clasificarlo según necesidad es básico para cualquiera que desee tener una buena visión global.

En este módulo aprovecharemos todo  lo aprendido en ML y DL y lo usaremos para extraer conocimiento del texto.

Despliegue de Algoritmos de Analítica (8h)

• Gestión de Proyectos Ágiles “Scrum”
• Emprendimiento
• DataOps
• Chatbots 
• Voice Analytics
• Pitch