Contenido
MÓDULO DE FORMACIÓN 1: Introducción al Big Data
Conocimientos / Capacidades cognitivas y prácticas
• 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.
• 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.
• Comprensión de los nuevos paradigmas del Big Data
Habilidades de gestión, personales y sociales
• Fomento de la responsabilidad y autonomía en la gestión y administración de
sistemas y herramientas para el Big Data.
• Comunicación efectiva al presentar conceptos clave sobre Big Data a otros
profesionales que no tienen un trasfondo técnico, utilizando un lenguaje claro y
accesible para facilitar su comprensión.
• 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.
• 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 com
MÓDULO DE FORMACIÓN 2: Arquitectura Big Data y principales tecnologías
Conocimientos / Capacidades cognitivas y prácticas
• Conocimiento general del ecosistema Hadoop
• HDFS: Sistema de archivos distribuido de Hadoop.
• MapReduce: La tecnología clave para el procesamiento paralelo de datos en
Hadoop.
• 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.
• 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.
Habilidades de gestión, personales y sociales
• Reconocimiento de la importancia de implantar políticas de seguridad en
relación con la protección de los datos en entornos distribuidos.
• Adaptabilidad al trabajar con diferentes herramientas de procesamiento de
datos, el participante debe ser capaz de adaptarse rápidamente a cambios en los
requerimientos del proyecto o a la incorporación de nuevas tecnologías.
• 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.
• 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
Habilidades de gestión, personales y sociales
• Reconocimiento de la importancia de implantar políticas de seguridad en
relación con la protección de los datos en entornos distribuidos.
• Adaptabilidad al trabajar con diferentes herramientas de procesamiento de
datos, el participante debe ser capaz de adaptarse rápidamente a cambios en los
requerimientos del proyecto o a la incorporación de nuevas tecnologías.
MÓDULO DE FORMACIÓN 3: Ciencia de datos e inteligencia artificial
Conocimientos / Capacidades cognitivas y prácticas
• 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.
• Conocimento de los lenguajes de programación en Ciencia de Datos
• R y Python: Herramientas clave en el análisis de datos, exploración y
procesamiento.
• 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.
• Comprensión de los algoritmos No-Supervisados
Habilidades de gestión, personales y sociales
• Fomento del pensamiento crítico al analizar datos y preparar visualizaciones,
identificando patrones y anomalías que pueden no ser evidentes a primera vista y
considerando la mejor manera de presentar esos hallazgos.
• Utilización de recursos creativos en el diseño de visualizaciones de datos para
presentar la información de forma atractiva y clara, facilitando la comprensión por
parte de las partes interesadas.
• Qué son los algoritmos no-supervisados: Principales técnicas y aplicaciones.
• K-means, análisis de componentes principales (PCA), y otros métodos de
clustering.
• Asimilación del funcionamiento del Deep Learning y Aprendizaje
MÓDULO DE FORMACIÓN 4: Aplicaciones del Big Data e impacto futuro
Conocimientos / Capacidades cognitivas y prácticas
• 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.
• 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.
• 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.
• 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.
• 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.
Habilidades de gestión, personales y sociales
• Fomento de la escucha activa al interactuar con profesionales de distintos
ámbitos durante el análisis del impacto de Big Data.
• Identificación de las implicaciones ambientales de las actividades de análisis
de datos, concretamente el consumo energético inherente a su despliegue.
