Big Data, Inteligencia Artificial & Machine Learning

Al momento de matricularte al Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp, se te asignará un coach y serás entrevistado para determinar si tienes lagunas que debes de resolver antes de arrancar el bootcamp. Por eso es recomendable hacer la matrícula lo antes posible y así estar listo para cuando empiece el maratón.

Estos son algunos de los módulos online que tu coach podrá recomendarte:

• Curso de informática para novatos
• Programación desde cero
• Curso de Git, Github & SourceTree
• Bases de Datos relacionales & SQL
• Curso Resolución de Problemas con OOP y TDD – Introducción IA & Machine Learning
• Curso de Docker
• Curso de R
• Matemáticas oxidadas
• Bola extra

• Data 101: Obtendrás una visión «Big Picture» del funcionamiento del bootcamp, su metodología y conocimientos a adquirir.

• Prompt Engineering: Aprenderás desde la extracción y procesamiento de información hasta la generación de texto, te capacitarás para abordar desafíos complejos en el procesamiento del lenguaje natural. Aprenderás a desarrollar y optimizar instrucciones específicas para sistemas de IA para personalizar y mejorar el rendimiento de los modelos de inteligencia artificial en función de los objetivos y requisitos específicos de cada proyecto.

• Protección de Datos: Regulaciones, estándares, conceptos clave y otros ejes.

• SQL Avanzado, ETL y DataWarehouse: Introducción al diseño y modelado de bases de datos relacionales y normalización. Diseño y construcción de un Data Warehouse mediante lenguaje SQL. Compresión y diferenciación entre procesos ETL y ELT.

• Arquitectura Big Data: En este módulo vemos una visión completa del proceso de ingesta, clasificación, resguardo, procesamiento y presentación de los datos. 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 toda la suite de plugins y componentes afines tanto en sistemas in premise como en la nube.
• Big Data Processing: Familiarizar a los no desarrolladores con un ecosistema de desarrollo. Conocerás 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 echa, Apache Spark.
  Recorreremos de forma práctica todos y cada uno de los módulos de Spark para introducirte en el Data Science de una manera técnica. Iniciamos en su ‘core’ y transitando por Spark SQL, Spark Streaming (Structured), Spark MLlib (Machine learning) y GraphX (información almacenada en estructuras arborescentes).
• Python para Big Data & Machine Learning: Construirás tus conocimientos de programación, aprendiendo programación funcional para análisis de datos y herramientas actuales.

• Exploración y Visualización de Datos: Profundizar en el análisis de los datos mediante el reporting utilizando una de las herramientas más populares del mundo de los datos, denominada PowerBI, y muy conocida en el mundo del Business Intelligence y del Data Science.
• Estadística y Data Mining: Aprender a extraer información de los datos recopilados, haciendo un análisis exploratorio y afianzando conocimientos de estadística, para luego aplicar diferentes técnicas de data mining.
  Un buen análisis estadístico nos proporcionará respuestas que pueden complementar algún modelo posterior de machine learning más complejo.
• Álgebra, Cálculo y Geometría: 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.

• Machine Learning: 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 se presentarán los fundamentos del aprendizaje automático, con énfasis en algoritmos de clasificación y regresión, usando Python, Pandas, Scikit Learn y Jupyter Lab.
• Deep Learning: 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.

• Procesamiento del lenguaje Natural (NLP) y búsqueda: 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: Consolidar algoritmos según modelos (batch, online, streaming) y llevarlo a la práctica en proyectos reales.
• Inteligencia Artificial: Aprender cómo funciona la Inteligencia Artificial, el panorama actual y sus aplicaciones.

• Data Management
• Desarrollo Seguro
• Casos de Uso
• Emprendimiento
• DataOps
• Chatbots
• Voice Analytics
• Pitch