La disponibilidad de servicios de cómputo y almacenamiento de datos en la nube ha ocasionado profundos cambios en la forma en que se diseñan los sistemas, capaces de incorporar "inteligencia", a través del uso de técnicas de Machine Learning (ML) sobre volúmenes muy grandes de datos (Big Data). Tradicionalmente, el construir este tipo de soluciones requería de hardware costoso y difícil de dimensionar en el inicio y, por otra parte, de expertos en ingeniería de datos capaces de implementarlos. Gracias a la oferta de servicios cognitivos y de Big Data en la nube, totalmente administrados, la barrera ha disminuido significativamente. Por un lado, se reduce la necesidad de expertise y por otro, la elasticidad inherente de las soluciones en la nube permite partir pequeño e ir creciendo solo en la medida que se requiera.
Este programa incluye dos cursos que abordan las temáticas tradicionales de Big Data y Machine Learning y otros dos cursos que abordan este nuevo escenario de la nube, especialmente en cuanto a oportunidades para proyectos de Ciencia de Datos y Machine Learning.
El formato de estudio es 100% en línea y se estructura sobre técnicas metodológicas activas, mediante las cuales el participante puede interactuar con sus pares y tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual. Se contempla el ejercicio práctico de los conocimientos adquiridos a través de mini proyectos de aplicación.
Dirigido a:
Profesionales, especialmente del área tecnológica, que estén involucrados o planean participar en proyectos de Big Data y Machine Learning en sus organizaciones, con el interés de ampliar sus herramientas e incorporar soluciones basadas en la nube, con ventajas técnicas y económicas.
Objetivos de aprendizaje:
- Identificar el alcance de las herramientas y servicios disponibles en la nube que pueden ser utilizados para desarrollar soluciones basadas en Big Data y Machine Learning.
- Desarrollar aplicaciones que incorporen aprendizaje de máquina, utilizando las herramientas y servicios cognitivos disponibles en la nube.
Al final del curso podrás:
- Conocer y comprender las principales teorías y prácticas de la emergente área de Minería de Datos.
- Aplicar reglas de asociación para encontrar relaciones en un set de transacciones.
- Desarrollar soluciones a problemas reales de Big Data y ciencia de datos que involucren la necesidad de técnicas de Minería de Datos como árboles de decisión y clustering.
- Implementar soluciones usando herramientas de software de Minería de Datos aplicándolas en datos reales.
Contenidos:
- Conceptos fundamentales de minería de datos.
- Preparación de datos y reducción de información.
- Reglas de asociación.
- Algoritmos de clasificación.
- Algoritmos de Clustering y medidas de similaridad.
- Selección de modelos e introducción a Machine Learning.
Al final del curso podrás:
- Entender la problemática y particularidades del manejo de Big Data.
- Utilizar las herramientas del ecosistema Hadoop para el manejo de volúmenes gigantescos de datos.
- Utilizar las principales herramientas del framework Spark para análisis de datos y aplicación de técnicas de Machine Learning.
- Aplicar herramientas de visualización para facilitar la interpretación de resultados.
Contenidos:
- Conceptos fundamentales de Minería de Datos.
- Introducción a Big Data.
- El ecosistema Hadoop.
- HDFS, YARN.
- Hadoop MapReduce.
- Herramientas del ecosistema Hadoop.
- Fundamentos de Apache Spark.
- Implementación de aplicaciones sobre Spark.
- Spark SQL.
- Spark MLlib.
- Técnicas de visualización.
Al final del curso podrás:
- Identificar las principales categorías disponibles en las grandes plataformas de computación en la nube.
- Discutir ventajas y riesgos una solución tecnológica genérica basada en computación en la nube.
- Describir las principales tecnologías habilitantes relacionadas con computación en la nube.
- Utilizar servicios básicos de cómputo y almacenamiento en la nube.
Contenidos:
- Introducción: ¿Qué es Cloud Computing? características principales, tipos de servicio y tipos de nube.
- Tecnologías habilitantes (máquinas virtuales, arquitecturas orientadas a servicio, etc.).
- Virtualización
- Principales plataformas de servicios en la nube: Amazon AWS, Google Cloud, Microsoft Azure.
- Tipos de servicios en la nube: desde el fierro virtual a los servicios cognitivos.
- Tipos de almacenamiento en la nube.
- Aspectos de seguridad.
Al final del curso podrás:
- Identificar las soluciones tecnológicas disponibles en los principales proveedores de Cloud que incorporan aprendizaje de máquina.
- Desarrollar aplicaciones de Machine Learning usando servicios de Azure y de GCP.
- Construir aplicaciones que incorporen los servicios cognitivos de imágenes, texto o voz disponibles en las grandes plataformas de servicios Cloud.
Contenidos:
- Introducción a Big Data y ML.
- Modelos de regresión y clasificación.
- Preparación de datos, el pipeline de datos.
- Manejo de Big Data en la nube.
- Servicios para ML en Azure.
- Azure Machine Learning Studio.
- ML automatizado (Azure AML).
- Servicios cognitivos en Azure.
- AutoML en GCP.
- Introducción a Vertex AI en GCP.
- Servicios cognitivos en GCP.
Nota: * El curso Servicios Cloud para ciencia de datos y Machine Learning tiene como prerrequisito el curso Introducción al Cloud Computing
¿Te gusta esta publicación?
Comparte esta publicación
*El profesional debe cumplir con los requisitos de admisión para postular a un Diplomado.
*Beneficios sólo aplican a los programas de Educación Profesional de la Escuela de Ingeniería y excluyen a La Clase Ejecutiva, y a los diplomados articulables con los programas de magíster.