Descripción
Introducción 5Introducción al Big data 61. Conocimiento de la evolución del Business Intelligence (BI) tradicional al Big Data. 81.1. Navegación web, geolocalización y audiencias de TV: impacto en el análisis de datos. 81.2. Cómo el Big Data resuelve problemas del tratamiento masivo de datos. 92. Identificación de las características del Big Data. 112.1. Las 4 V's: Volumen, Velocidad, Variedad y Veracidad. 112.2. Valor del dato. La importancia de la calidad y el valor que aportan los datos. 122.3. Nuevas dimensiones: escalabilidad y características adicionales de Big Data. 133. Comprensión de los nuevos paradigmas del Big Data. 153.1. Procesos en tiempo real: cómo Big Data permite la respuesta en tiempo real a eventos. 153.2. Cloud Computing: cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos. 164. Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos. 184.1. Introducción a Hadoop: historia y su impacto en el procesamiento de datos paralelos. 184.2. HDFS y MapReduce: principales componentes de Hadoop. 195. Resumen. 226. Autoevaluación. 23Arquitectura Big data y principales tecnologías 251. Conocimiento general del ecosistema Hadoop. 261.1. HDFS: sistema de archivos distribuido de Hadoop. 261.2. MapReduce: la tecnología clave para el procesamiento paralelo de datos en Hadoop. 272. Identificación de los lenguajes de programación en Big Data. 292.1. Java y Scala: los lenguajes más utilizados en el desarrollo de soluciones Big Data. 292.2. SQL: el papel del SQL en la gestión de bases de datos estructuradas en Big Data. 302.3. 2.3 Python: uso de Python en análisis y procesamiento de datos. 303. Comprensión de los procesos ETL (Extracción, Transformación y Carga). 333.1. Herramientas como Flume, Sqoop y HIVE: cómo se gestionan y transforman grandes volúmenes de datos. 333.2. Introducción a las mejores prácticas y herramientas en los procesos ETL. 344. Adquisición del concepto real time y bases de datos de alta disponibilidad. 364.1. Kafka, HBASE y Redis: principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad. 365. Concienciación con la seguridad y gobernanza del dato. 395.1. Importancia de la seguridad en Big Data: cómo proteger los datos en entornos distribuidos. 395.2. Gobernanza de datos: gestión de la calidad y el acceso a los datos en Big Data. 406. Resumen. 427. Autoevaluación. 43Ciencia de datos e Inteligencia artificial 451. Asimilación de conceptos sobre la Ciencia de Datos y la IA. 461.1. Conceptos clave de la Ciencia de Datos: qué es y cómo se aplica Big Data en la ciencia de datos. 461.2. Relación entre Big Data e Inteligencia Artificial: cómo se interrelacionan y se complementan en el análisis de datos. 472. Conocimiento de los lenguajes de programación en Ciencia de Datos. 492.1. R y Python: herramientas clave en el análisis de datos, exploración y procesamiento. 493. Comprensión de los algoritmos supervisados. 513.1. Qué son los algoritmos supervisados: principales tipos de algoritmos y su aplicación en clasificación y predicción. 513.2. Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM) y redes neuronales. 514. Comprensión de los algoritmos no supervisados. 544.1. Qué son los algoritmos no supervisados: principales técnicas y aplicaciones. 544.2. K-means, análisis de componentes principales (PCA) y otros métodos de clustering. 555. Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo. 575.1. Introducción al Deep Learning: Redes neuronales profundas y su aplicación. 575.2. Aprendizaje por Refuerzo: qué es y cómo se utiliza para la toma de decisiones en IA. 586. Comprensión del procesamiento de información no estructurada. 606.1. Imágenes y textos: técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio. 606.2. Métodos de análisis y extracción de patrones. 617. Conocimiento de técnicas para la visualización de datos. 637.1. Creación de visualizaciones interactivas: herramientas como Tableau y Power BI para representar datos y resultados. 637.2. Dashboards: diseño y desarrollo de dashboards para la toma de decisiones. 648. Resumen. 679. Autoevaluación. 68Aplicaciones del Big data e impacto futuro 701. Reconocimiento de las aplicaciones del Big Data en el sector público. 711.1. OpenData: ejemplos de aplicación de Big Data en instituciones públicas para la transparencia y eficiencia. 711.2. Casos de uso en gestión pública: impacto en políticas públicas, educación y salud. 722. Reconocimiento de las aplicaciones empresariales de Big Data. 742.1. Casos de uso en la mejora de eficiencia operativa dentro de empresas. 742.2. Aplicaciones en marketing, logística, predicción de demanda y personalización. 753. Comprensión del alcance del Data for Good: Big Data para el Bien Social. 773.1. Cómo Big Data se utiliza para fines sociales: proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico. 773.2. Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación. 784. Reflexión sobre el futuro del Big Data. 804.1. Nuevas tendencias emergentes: IA, procesamiento de datos en la nube y más. 804.2. Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años. 815. Aplicación de medidas de eficiencia energética y sostenibilidad ambiental. 835.1. Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data. 835.2. Optimización de recursos en la nube para reducir el consumo energético. 846. Resumen. 867. Autoevaluación. 87Resumen 89Autoevaluación 90GLOSARIO 9
