UNIDAD DIDÁCTICA 1. CONOCIMIENTO DE LA EVOLUCIÓN DEL BUSINESS INTELLIGENCE (BI) TRADICIONAL AL BIG DATA
- Navegación web, geolocalización y audiencias de TV: Impacto en el análisis de datos
- Cómo el Big Data resuelve problemas del tratamiento masivo de datos
UNIDAD DIDÁCTICA 2. IDENTIFICACIÓN DE LAS CARACTERÍSTICAS DEL BIG DATA
- Las 4 v's: Volumen, velocidad, variedad y veracidad
- Valor del dato: La importancia de la calidad y el valor que aportan los datos
- Nuevas dimensiones: Escalabilidad y características adicionales de Big Data
UNIDAD DIDÁCTICA 3. COMPRENSIÓN DE LOS NUEVOS PARADIGMAS DEL BIG DATA
- Procesos en tiempo real: Cómo Big Data permite la respuesta en tiempo real a eventos
- Cloud computing: Cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos
UNIDAD DIDÁCTICA 4. CONOCIMIENTO DE LAS PRINCIPALES CARACTERÍSTICAS DE HADOOP Y SU REVOLUCIÓN EN EL TRATAMIENTO DE DATOS
- Introducción a Hadoop: Historia y su impacto en el procesamiento de datos paralelos
- HDFS y MapReduce: Principales componentes de Hadoop
- Módulo 2. Arquitectura BIG DATA y principales tecnologías
UNIDAD DIDÁCTICA 1. CONOCIMIENTO GENERAL DEL ECOSISTEMA HADOOP
- HDFS: Sistema de archivos distribuido de Hadoop
- MapReduce: La tecnología clave para el procesamiento paralelo de datos en Hadoop
UNIDAD DIDÁCTICA 2. IDENTIFICACIÓN DE LOS LENGUAJES DE PROGRAMACIÓN EN BIG DATA
- Java y Scala: Los lenguajes más utilizados en el desarrollo de soluciones Big Data
- SQL: El papel del SQL en la gestión de bases de datos estructuradas en Big Data
- Python: Uso de Python en análisis y procesamiento de datos
UNIDAD DIDÁCTICA 3. COMPRENSIÓN DE LOS PROCESOS ETL (EXTRACCIÓN, TRANSFORMACIÓN Y CARGA)
- Herramientas como Flume, Sqoop y HIVE: Cómo se gestionan y transforman grandes volúmenes de datos
- Introducción a las mejores prácticas y herramientas en los procesos ETL
UNIDAD DIDÁCTICA 4. ADQUISICIÓN DEL CONCEPTO REAL TIME Y BASES DE DATOS DE ALTA DISPONIBILIDAD
- Kafka, HBASE y Redis: Principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad
UNIDAD DIDÁCTICA 5. CONCIENCIACIÓN CON LA SEGURIDAD Y GOBERNANZA DEL DATO
- Importancia de la seguridad en Big Data: Cómo proteger los datos en entornos distribuidos
- Gobernanza de datos: Gestión de la calidad y el acceso a los datos en Big Data
- Módulo 3. Ciencia de datos e inteligencia artificial
UNIDAD DIDÁCTICA 1. ASIMILACIÓN DE CONCEPTOS SOBRE LA CIENCIA DE DATOS Y LA IA
- Conceptos clave de la ciencia de datos: Qué es y cómo se aplica Big Data en la ciencia de datos
- Relación entre Big Data e inteligencia artificial: Cómo se interrelacionan y se complementan en el análisis de datos
UNIDAD DIDÁCTICA 2. CONOCIMIENTO DE LOS LENGUAJES DE PROGRAMACIÓN EN CIENCIA DE DATOS
- R y Python: Herramientas clave en el análisis de datos, exploración y procesamiento
UNIDAD DIDÁCTICA 3. COMPRENSIÓN DE LOS ALGORITMOS SUPERVISADOS
- Qué son los algoritmos supervisados: Principales tipos de algoritmos y su aplicación en clasificación y predicción
- Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM), y redes neuronales
UNIDAD DIDÁCTICA 4. COMPRENSIÓN DE LOS ALGORITMOS NO-SUPERVISADOS
- Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones
- K-means, análisis de componentes principales (PCA), y otros métodos de clustering
UNIDAD DIDÁCTICA 5. ASIMILACIÓN DEL FUNCIONAMIENTO DEL DEEP LEARNING Y APRENDIZAJE POR REFUERZO
- Introducción al deep learning: Redes neuronales profundas y su aplicación
- Aprendizaje por refuerzo: Qué es y cómo se utiliza para la toma de decisiones en IA
UNIDAD DIDÁCTICA 6. COMPRENSIÓN DEL PROCESAMIENTO DE INFORMACIÓN NO ESTRUCTURADA
- Imágenes y textos: Técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio
- Métodos de análisis y extracción de patrones
UNIDAD DIDÁCTICA 7. CONOCIMIENTO DE TÉCNICAS PARA LA VISUALIZACIÓN DE DATOS
- Creación de visualizaciones interactivas: Herramientas como Tableau y Power BI para representar datos y resultados
- Dashboards: Diseño y desarrollo de dashboards para la toma de decisiones
- Módulo 4. Aplicaciones del BIG DATA e impacto futuro
UNIDAD DIDÁCTICA 1. RECONOCIMIENTO DE LAS APLICACIONES DEL BIG DATA EN EL SECTOR PÚBLICO
- OpenData: Ejemplos de aplicación del Big Data en instituciones públicas para la transparencia y eficiencia
- Casos de uso en gestión pública: Impacto en políticas públicas, educación y salud
UNIDAD DIDÁCTICA 2. RECONOCIMIENTO DE LAS APLICACIONES EMPRESARIALES DE BIG DATA
- Casos de uso en la mejora de eficiencia operativa dentro de empresas
- Aplicaciones en marketing, logística, predicción de demanda y personalización
UNIDAD DIDÁCTICA 3. COMPRENSIÓN DEL ALCANCE DEL "DATA FOR GOOD": BIG DATA PARA EL BIEN SOCIAL
- Cómo Big Data se utiliza para fines sociales: Proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico
- Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación
UNIDAD DIDÁCTICA 4. REFLEXIÓN SOBRE EL FUTURO DEL BIG DATA
- Nuevas tendencias emergentes: IA, procesamiento de datos en la nube, y más
- Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años
UNIDAD DIDÁCTICA 5. APLICACIÓN DE MEDIDAS DE EFICIENCIA ENERGÉTICA Y SOSTENIBILIDAD AMBIENTAL
- Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data
- Optimización de recursos en la nube para reducir el consumo energético
