Diplomado en Big Data y Machine Learning (online)

Al final del curso podrás:
- Entender la problemática y particularidades del manejo de Big Data.
- Conocer los principios, bases técnicas y herramientas del ecosistema Hadoop.
- Utilizar las herramientas del ecosistema Hadoop para el manejo de volúmenes gigantescos de datos.
- Conocer Apache Spark, un framework de procesamiento de datos de propósito general.
- 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:
- 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, procesar y visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python.
- Diseñar e implementar modelos de aprendizaje supervisado basados en regresiones.
- Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento.
- Reconocer y emplear modelos de redes neuronales artificiales básicas
- Comprender, implementar e interpretar modelos de aprendizaje no supervisado a través de librerías de Python.

Contenidos:
- Conceptos fundamentales de Machine Learning
- Análisis, procesamiento y visualización de datos a través de Python
- Algoritmos de aprendizaje supervisado en Python utilizando scikit-learn:
• Regresión Lineal
• Regresión Logística
• Regresiones Polinomiales
• Regresiones con penalización
• Árboles de Decisión
• Random Forest
• Random Forest para regresiones
• Naive Bayes
• Vecino más cercano
• Redes Neuronales
• Selección de modelos

- Algoritmos de aprendizaje no supervisado en Python utilizando scikit-learn:
• K-means
• Mezcla de Gaussianas
• Cluster Jerárquico
• Autoencoders

Al final del curso podrás:
- Analizar y evaluar visualizaciones de información existentes, así como proponer mejoras.
- Identificar relaciones entre tipos de datos, tareas de visualización y tipos de gráficos para diseñar visualizaciones de información.
- Diseñar e implementar en lenguaje Python gráficos simples y avanzados usando datasets tabulares.
- Diseñar e implementar en lenguaje Python gráficos usando datasets de red.
- Diseñar e implementar en lenguaje Python gráficos para visualizar datos de texto y espaciales.

Contenidos:
- Ejemplos históricos de visualización de datos
- Conceptos fundamentales de visualización de información
- Funciones básicas de matplotlib y seaborn
- Modelo anidado de Munzner para diseño y validación de visualización
- Reglas y recomendaciones generales para visualizaciones efectivas
- Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado
- Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado
- Reducción de dimensionalidad
- Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado
- Visualización básica de datos de texto
- Visualización básica de datos espaciales

Al final del curso podrás:
- Identificar los principales conceptos y técnicas asociados a Machine Learning y ciencia de datos
- Reconocer la importancia y los principales desafíos de los datos
- Asociar las diversas técnicas con oportunidades de aplicación en los negocios
- Examinar las dificultades y oportunidades en la aplicación de técnicas de ciencia de datos y aprendizaje de máquina

Contenidos:
- Conceptos de inteligencia de negocios y de minería de datos
- Conceptos de ciencia de datos y de machine learning
- Aplicación al ámbito de transacciones estructuradas
- Aplicación al ámbito de aplicaciones de texto, audio y video
- Aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado
- Aplicaciones de aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado
- Estudio de casos: seguros, banca, retail, calidad del aire, transporte, compras públicas, finanzas, astronomía