Online
150 horas
Modalidad Abierta
Aprenderás las bases del aprendizaje automático.
Como experto en Big Data en muchos equipos tu misión será ayudar a los expertos en Machine Learning a realizar los proyectos, o incluso, con el tiempo, quizás convertirte tú en un experto en Machine Learning. Por ello, en este módulo se explican las bases de qué es el Machine Learning, que tipos hay, para qué sirve y se enseñan algunos modelos simples y útiles a modo de iniciación en esta disciplina
A quién va dirigido
Para realizar nuestro curso en Big Data Science no es necesario que dispongas de titulaciones académicas previas. Si estás en alguna de estas situaciones este curso es para ti.
Personas sin conocimientos técnicos: Estás en situación de desempleo o quieres cambiar de área a una que ofrezca grandes posibilidades laborales.
Personas con pocos conocimientos técnicos: Has visto algo por tu cuenta o realizado alguna formación, pero deseas aprender más y dedicarte profesionalmente al Big Data.
Personas que ya trabajan en el área tecnológica: eres programador y deseas aprender nuevas herramientas y tecnologías para desarrollarte profesionalmente.
Ventajas del curso: Profesores Expertos, Formación online tutorizada, Clases/Tutorías en directo, Formación basada en la práctica y en el desarrollo de ejercicios, Programa De Becas Personalizadas y Acceso a Bolsa de Empleo.
Prácticas: Prácticas en empresas especializadas (opcionales). Disponemos de una red de empresas colaboradoras para que puedas cursar tus prácticas.
Salarios competitivos: Las posiciones de científico de datos suelen ofrecer salarios atractivos debido a la demanda y la especialización requerida.
Trabajar como Data Engineer, Data Analyst o Data Scientist especializado en Big Data.
Actuar como Ingeniero de Software y programador en proyectos de ingeniería y consultoría relacionados con el dato.
Ser arquitecto y administrador de sistemas Big Data.
Liderar proyectos de datos como experto en Big Data.
Dirigido a:
Estudiantes que posean conocimientos básicos de programación y deseen empezar su andadura profesional como científicos de datos.
Trabajadores del sector tecnológico que quieran progresar en su carrera.
Jefes de proyecto que deseen liderar eficientemente proyectos de Inteligencia Artificial.
Dominar herramientas, lenguajes de programación y técnicas algorítmicas que te permitirán desarrollar y liderar proyectos de Machine Learning. Estas herramientas están a la vanguardia de la tecnología y son líderes de mercado utilizándose diariamente en empresas nacionales e internacionales.
Entender y saber aplicar los algoritmos de Machine Learning más utilizados en la industria, así como tener la capacidad de poder adaptarlos y modificarlos para afrontar problemas complejos del mundo real.
Poder integrarte trabajando en proyectos empresariales que impliquen técnicas de Machine Learning, big data y computación en la nube.
Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data (5 sesiones)
- Principales componentes de un sistema informático. Sistemas Operativos, para que sirven, que tipos hay y cómo funcionan…
- Introducción a GNU/Linux
- GNU/Linux Avanzado
- Como usar GNU/Linux en Cloud (AWS)
- Introducción teórica a las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…
Módulo 2: Fundamentos de Programación en Python (6 sesiones)
- Introducción a los lenguajes de programación
- Python: Sentencias Básicas y Bloques Lógicos
- Python: Funciones y Scope
- Python: Clases y Objetos y Tratamiento de Excepciones
- Python: Módulos y Uso de librerías de Python
Módulo 3: Programación Orientada a Datos (3 sesiones)
- Python: Librerías básicas de Data Science: Pandas, Numpy, Matplotlib, Sklearn…
- Introducción teórica al análisis exploratorio de Datos
- Python: Ejemplificación del análisis exploratorio de datos mediate Datasets reales
Módulo 4: Introducción al Machine Learning (2 sesiones)
- Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data? Machine Learning: Aprendizaje supervisado (regresión/clasificación), no supervisado y por refuerzo.
- Nuestros primeros pasos con el Machine Learning: Regresión Lineal y Regresión Logística. Ejemplos con datos reales en Python.
Módulo 5: Bases de Datos e Ingestión de datos (3 sesiones)
- Bases de datos SQL
- Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos
- Bases de Datos NoSQL Documentales: MongoDB (PyMongo)
- Sistemas de ingestión de datos en tiempo real: Kafka
Módulo 6: Procesamiento Distribuido (5 sesiones)
- Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…
- Hadoop: Instalación y configuración, HDFS y YARN
- Introducción a Spark: Instalación y configuración, pySpark y DataFrame API
- Machine Learning con Spark: MLlib
- Microservicios: Kubernetes y Docker
- Arquitecturas Big Data: Lamba vs Kappa vs Microservicios