Técnico especialista en Data Analytics y Machine Learning – Nivel intermedio

La tecnología de minería, análisis y visualización de datos ofrece grandes posibilidades en la resolución de problemas y la previsión de tendencias ya que permite extraer información no evidente tanto de los conjuntos de datos existentes como de los recogidos en tiempos de ejecución.

• Ofrecer una introducción a las tecnologías y metodologías para la extracción de información en grandes conjuntos de datos, tanto ya existentes como de los recogidos en tiempos de ejecución.
• Mejorar los conocimientos técnicos en Data Mining.

Todo aquel profesional que se quiera adentrar en el mundo de la ciencia de datos y la inteligencia artificial.

1.Introducción al Big Data

• Digitalización, Big Data y el ciclo de vida del dato
• Arquitecturas Big Data (ETL, Batch & Stream processing, Lambda & Kappa, Data Warehouse & Data Lake, …)
• Stack genérico y arquitectura Big Data de referencia
• Ecosistema Apache Hadoop (Hadoop, Yarn, Map Reduce, Spark, …) y otras opciones para la gestión y procesado de grandes volúmenes de datos
• Herramientas de visualización de datos
• Práctica: Generación y captura de datos, Publicación sistema publish-subscribe- Procesado – Visualización

2.Instalación y configuración de Python.

• Preparación de entorno de trabajo personal para las prácticas

3.Introducción a Python para la ciencia de los datos.

• Introducción a Python
• Variables, tipos de datos y operadores.
• Estructuras de control de flujo: if, else, for, while.
• Funciones y bibliotecas estándar.
• Manipulación de datos con NumPy y Pandas
• Matplotlib
• Prácticas

4.Fundamentos de estadística enfocada a Big Data.

• Conceptos básicos de datos
• Probabilidad
• Distribución de variables aleatorias
• Base para la inferencia
• Regresión lineal – Mínimos cuadrados y ecuaciones normales
• Regresión logística
• Regresión múltiple
• Utilización de modelos estadísticos y técnicas de pronóstico para comprender el futuro
• Prácticas

5.Metodología CRISP-DM para el desarrollo de proyectos de ciencia de datos.

• Business Understanding
• Data Understanding
  • Exploratory Data Analysis
• Data Preparation
  • Data cleaning
  • Imputación de valores
  • Feature engineering
  • Variables selection
• Modeling
  • Hyperparámetros y Cross-validation
• Evaluation
• Deployment
• Prácticas

6.Aprendizaje automático.

• Comprensión de los principales tipos de aprendizaje automático
• Supervised learning Aprendizaje supervisado
• Regresión y métricas
• Clasificación y métricas
• Modelos lineales
  • Stochastic Gradient Descent
• Árbol de decisión
• Suport Vector Machines
• Models ensamblados
  • Random Forest
  • Gradient Boosting machines

• Prácticas

7.Unsupervised Learning Aprendizaje No Supervisado.

• K-means clustering
• Hierarchical clustering
• Novelty and Outlier Detection
• Reducción de la dimensionalidad
• Prácticas

8.Introducción a las Redes Neuronales.

• Prácticas

Todos nuestros cursos son bonificables para empresas (excepto autónomos) a través de la Fundación Estatal para la Formación en el Empleo (FUNDAE).

Consultar descuentos especiales para estudiantes, personas en situación de desempleo, y empresas que realicen dos o más inscripciones en un mismo curso.