Contenido
1- 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
2- 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.
3- 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
4- 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.
