Big Data Analítica

Conceptos Generales y Estadística para Analítica, Python

Big Data Vs Ciencia de Datos

Business intelligence vs business analytics

Datos Estructurados, Semiestructurados no Estructurados

Conceptos de Big Data: Volumen, Variedad, Velocidad, Veracidad y Valor

Almacenamiento y procesamiento de Big Data

Aplicaciones y casos de uso de Big Data en la vida real

Frameworks de Big Data

Análisis del Caso de estudio

Proceso CRISP-DM (Cross-Industry Standard Process for Data Mining)

Recolección y preparación de datos

Exploración y visualización de datos

Evaluación de modelos y validación

Comunicación de resultados y toma de decisiones

Sintaxis básica de Python

Manipulación de datos con NumPy y Pandas

Visualización de datos con Matplotlib y Seaborn

Resolución de problemas prácticos con ejercicios

Visualización de Datos

Base de Datos SQL

Fundamentos de DB

Integridad de datos

SQL Server -Implementación

Transact-SQL

Unir datos de múltiples tablas

Consultas, Agrupar y Consolidar Datos

Implementando vistas y SP

Python – R – Estadística Analítica – ML-IA

Estadísticas descriptivas

Histogramas y gráficos de distribución

Análisis de correlación

Detección y tratamiento de valores atípicos

Proceso de imputación de Datos

Selección e ingeniería de características

Estandarización y normalización de datos

Regresión lineal y logística (Scikit-Learn)

Árboles de decisión y ensemble methods (Scikit-Learn)

Algoritmos de clasificación, como SVM y K-Nearest Neighbors (Scikit-Learn)

Series de Tiempo

Redes Neuronales

Validación cruzada y métricas de evaluación de modelos (Scikit-Learn)

Introducción a GANs (Generative Adversarial Networks) (TensorFlow o PyTorch)

Aplicaciones de GANs en generación de imágenes

Redes neuronales recurrentes para generación de texto (TensorFlow o PyTorch)

Evaluación de modelos generativos

Machine Learning – Creación de API para modelos (Flask o FastAPI)

Implementación en plataformas en la nube como AWS o Azure

Monitoreo y mantenimiento de modelos en producción

Consideraciones éticas y legales en el despliegue de modelos