Máster en Data Science y Big Data.

TEMARIO DEL CURSO:

Módulo 1. Introducción a los lenguajes de programación

• Fundamentos de Python
• Python avanzado
• Fundamentos R
• Proyecto: Análisis de un dataset público de la copa mundial de fútbol

Módulo 2. Fundamentos de IA y Machine Learning

• Introducción a la IA y Machine Learning
• Algoritmos de regresión. Evaluación y métricas
• Ecosistemas de Machine Learning en la nube
• Proyecto: Análisis predictivo del precio de la vivienda

Módulo 3. Matemáticas y estadística en el tratamiento de datos

• Matemática analítica
• Estadística descriptiva
• Estadística inferencial
• Proyecto: Conocimiento de usuarios y Sistema Recomendador en una plataforma de streaming de películas

Módulo 4. Aprendizaje supervisado I

• Clasificación binaria, multiclase y métricas. Curva ROC
• Clasificación con Naive Bayes
• Clasificación con Support Vector Machine (SVM)
• Proyecto: Evaluación del estado de salud de un bebé durante el parto

Módulo 5. Sistemas y servicios de Almacenamiento

• Bases de Datos Relacionales
• Fundamentos de SQL
• Bases de datos NOSQL
• Proyecto: Análisis del impacto de los anuncios de TV en las visitas a la página web del anunciante.

Módulo 6. Aprendizaje supervisado II

• Clasificación con KNN, regresión logística y softmax
• Regresión y clasificación con árboles de decisión
• Combinación de clasificadores: ensembles y random forests
• Proyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleado

Módulo 7. Entornos Datawarehouse

• Tipos y arquitectura de un Data Warehouse vs Data Lake
• MongoDB Atlas
• Fundamentos de Azure y AWS
• Proyecto: Diseño e implementación de la automatización de una infraestructura sobre AWS

Módulo 8. Aprendizaje NO supervisado

• Reducción de dimensionalidad en los datos: PCA
• Algoritmos de agrupamiento: K Medias y jerárquico
• Técnicas de detección de anomalías
• Proyecto: PCA y CLUSTERING utilizando Python

Módulo 9. Arquitecturas distribuidas Big Data

• Introducción a las Arquitecturas Distribuidas: Paralelización y Map Reduce
• Arquitecturas Lambda y Kappa. Batch vs Streaming.
• Gestión de recursos en Arquitecturas Distribuidas
• Proyecto: Diseño y Desarrollo de una Arquitectura Distribuida para Análisis de Datos Espaciales

Módulo 10. Redes neuronales y Deep Learning

• Hitos del Deep Learning y fundamentos de las redes neuronales
• Frameworks de Deep Learning: TensorFlow
• Ajuste de modelos de Deep Learning
• Proyecto: Análisis donde se aplican técnicas de Deep Learning

Módulo 11. Procesamiento de datos a gran escala I: Hadoop

• Extracción, Transformación y Carga de datos
• Fundamentos y herramientas del ecosistema Hadoop
• Gestión de datos Streaming
• Proyecto: Desarrollo de una aplicación de ingesta y análisis de datos

Módulo 12. Redes Neuronales Convolucionales (CNNs)

• Fundamentos de las CNNs: kernels, convolución, pooling, etc.
• Modelos pre-entrenados: Transfer Learning y Fine-Tuning
• Deep Learning en producción
• Proyecto: Análisis de un problema de clasificación de imágenes con Deep Learning

Módulo 13. Procesamiento de datos a gran escala I: Spark

• Introducción a Spark y programación en batch sobre RDDs
• Spark SQL, Dataframes y GraphX
• Spark Streaming y MLlib
• Proyecto: Monitoreo de Calidad del Aire en Ciudades Inteligentes

Módulo 14. Sistemas de recomendación

• Personalización creada por datos
• Filtrado Colaborativo
• Aplicaciones, tendencias y retos de los sistemas de recomendación
• Proyecto: Implementando un algoritmo de SR con la librería Surprise de Python

Módulo 15. Otras acciones de procesamiento de datos

• Procesos ETL con Python
• Web Scraping
• Servicios Web y APIs
• Proyecto: Extracción y análisis de reviews de películas mediante web scraping

Módulo 16. Procesamiento del Lenguaje Natural

• Introducción al Procesamiento del Lenguaje Natural
• Modelos Probabilísticos de NLP y Métodos de Aplicación
• NLP – Modelos y Algoritmos
• Proyecto: Investigación detallada de un caso de estudio de NLP

Módulo 17. Global Project