Informació pràctica
Introducció
La tecnologia de mineria, anàlisi i visualització de dades ofereix grans possibilitats en la resolució de problemes i la previsió de tendències, ja que permet extreure informació no evident tant dels conjunts de dades existents com dels recollits en temps d’execució.
Objectius del curs
- Oferir una introducció a les tecnologies i les metodologies per a l’extracció d’informació en grans conjunts de dades, tant existents com dels recollits en temps d’execució.
- Millorar els coneixements tècnics a Data Mining.
Adreçat a
Qualsevol professional que vulgui endinsar-se en el món de la ciència de dades i la intel·ligència artificial.
Programa del curs
MÒDUL 1: INSTAL·LACIÓ I CONFIGURACIÓ DE PYTHON
- Preparació d’entorn de treball personal per a les pràctiques
MÒDUL 2: INTRODUCCIÓ A PYTHON PER A LA CIÈNCIA DE LES DADES
- Introducció a Python
- Variables, tipus de dades i operadors.
- Estructures de control de flux: if, else, for, while.
- Funcions i biblioteques estàndard.
- Manipulació de dades amb NumPy i Pandes
- Matplotlib
- Pràctiques
MÒDUL 3: INTRODUCCIÓ AL BIG DATA
- Digitalització, Big Data i el cicle de vida de la dada
- Arquitectures Big Data (ETL, Batch & Stream processing, Lambda & Kappa, Data Warehouse & Data Lake, …)
- Stack genèric i arquitectura Big Data de referència
- Ecosistema Apache Hadoop (Hadoop, Yarn, Map Reduce, Spark, …) i altres opcions per a la gestió i processament de grans volums de dades
- Eines de visualització de dades
- Pràctica: Generació i captura de dades, Publicació sistema publish-subscribe- Processat – Visualització
MÒDUL 4: FONAMENTS D’ESTADÍSTICA ENFOCADA A BIG DATA
- Conceptes bàsics de dades
- Probabilitat
- Distribució de variables aleatòries
- Base per a la inferència
- Regressió lineal – Mínims quadrats i equacions normals
- Regressió logística
- Regressió múltiple
- Utilització de models estadístics i tècniques de pronòstic per comprendre el futur
- Pràctiques
MÒDUL 5: METODOLOGIA CRISP-DM PER AL DESENVOLUPAMENT DE PROJECTES DE CIÈNCIA DE DADES
- Business Understanding
- Data Understanding
- Exploratory Data Analysis
- Data Preparation
- Data cleaning
- Imputació de valors
- Feature engineering
- Variables selection
- Modeling
- Hyperparàmetres i Cross-validation
- Evaluation
- Deployment
- Pràctiques
MÒDUL 6: APRENENTATGE AUTOMÀTIC
- Comprensió dels tipus d’aprenentatge automàtic principals
- Supervised learning Aprenentatge supervisat
- Regressió i mètriques
- Classificació i mètriques
- Models lineals
- Stochastic Gradient Descent
- Arbre de decisió
- Suport Vector Machines
- Models acoblats
- Random Forest
- Gradient Boosting machines
- Pràctiques
MÒDUL 7: UNSUPERVISED LEARNING (APRENENTATGE NO SUPERVISAT)
- K-means clustering
- Hierarchical clustering
- Novelty and Outlier Detection
- Reducció de la dimensionalitat
- Pràctiques
MÒDUL 8: INTRODUCCIÓ A LES XARXES NEURONALS
- Pràctiques
Aprèn amb experts del sector
Núria Nievas
Docent del curs – Investigadora en Intel·ligència Artificial Aplicada a Eurecat
Núria Nievas és investigadora a la unitat d’Intel·ligència Artificial Aplicada d’Eurecat, on treballa en el desenvolupament de solucions d’optimització per a la presa de decisions en entorns industrials i empresarials. La seva experiència se centra en l’aplicació d’algorismes d’optimització multi-criteri, aprenentatge automàtic i aprenentatge per reforç. Ha participat en diversos projectes d’R+D d’àmbit nacional i europeu relacionats amb l’anàlisi de dades, la gestió de recursos i la indústria 4.0.
És graduada en Matemàtiques i en Administració i Direcció d’Empreses per la Universitat de Barcelona, on també va cursar un màster en Ciència de Dades i Intel·ligència Artificial. Actualment és doctoranda a la Universitat de Lleida, on investiga l’aplicació de l’aprenentatge per reforç en la presa de decisions en processos industrials.
Lluís Echeverria Rovira
Docent del curs – Investigador en Intel·ligència Artificial i Big Data a Eurecat
Lluís Echeverria és investigador a Eurecat, on treballa en projectes d’R+D relacionats amb l’analítica de dades, la Intel·ligència Artificial, el Big Data i l’Internet de les Coses (IoT), amb aplicació en entorns com la indústria 4.0 i la gestió intel·ligent dels recursos hídrics. Té una àmplia trajectòria en el desenvolupament d’arquitectures híbrides Big Data/IoT per al processament de dades massives en temps real, així com en l’anàlisi de dades mitjançant tècniques de mineria de dades i aprenentatge automàtic.
Té un màster en Enginyeria Informàtica especialitzat en Big Data i Intel·ligència Artificial per la Universitat de Lleida, on també es va graduar en Enginyeria Informàtica. A més, és enginyer tècnic topogràfic per la Universitat Politècnica de Catalunya. Actualment està desenvolupant una tesi doctoral sobre el control òptim i autònom de processos industrials mitjançant tècniques d’aprenentatge per reforç.
Jordi Sellés
Coordinador del curs
En aquest curs comptaràs amb l’experiència de professionals com en Jordi, enginyer tècnic en telecomunicacions amb un Màster en Enginyeria del Programari i un MBA. La seva trajectòria destaca per la gestió de projectes en l’àmbit de la formació i l’emprenedoria, amb una orientació especial cap al desenvolupament i promoció de serveis tecnològics innovadors. En Jordi ha liderat estratègies de posicionament i creixement de negoci en el sector TIC, combinant la seva capacitat analítica amb una clara orientació a resultats. Gràcies a la seva habilitat per coordinar equips multidisciplinaris, aporta una visió integral que connecta el món educatiu amb les necessitats reals de l’empresa.
Informació addicional
Tots els nostres cursos són bonificables per a empreses (excepte autònoms) a través de la Fundació Estatal per a la Formació en l’Ocupació (FUNDAE).
Consultar descomptes especials per a estudiants, persones en situació de desocupació, i empreses que realitzin dues o més inscripcions en un mateix curs.
