Objetivos: Conocer en profundidad los diferentes paradigmas de procesamiento en sistemas Big Data y dominar las principales tecnologías y su utilización para el diseño de arquitecturas escalables adaptadas a cada proyecto. Contenidos: 1. Batch processing. 1.1. Hadoop. 1.2. Pig. 1.3. Hive. 1.4. Sqoop. 1.5. Flume. 1.6. Spark Core. 1.7. Spark 2.0. 2. Streaming processing. 2.1. Fundamentos de Streaming Processing. 2.2. Spark Streaming. 2.3. Kafka. 2.4. Pulsar y Apache Apex. 2.5. Implementación de un sistema real-time. 3. Sistemas NOSQL. 3.1. Hbase. 3.2. Cassandra. 3.3. MongoDB. 3.4. Neo4J. 3.5. Redis. 3.6. Berkeley DB. 4. Interactive query. 4.1. Lucene + Solr. 5. Sistemas de computación híbridos. 5.1. Arquitectura Lambda. 5.2. Arquitectura Kappa. 5.3. Apache Flink e implementaciones prácticas. 5.4. Druid. 5.5. ElasticSearch. 5.6. Logstash. 5.7. Kibana. 6. Cloud computing. 6.1. Amazon Web Services. 6.2. Google Cloud Platform. 7. Administración de sistemas big. 7.1. Administración e Instalac

Objetivo general: Dominar el dato para entenderlo, transformarlo y capturar su máximo potencial con inteligencia artificial para optimizar procesos y simplificar el desarrollo de los proyectos y, comenzar con la creación de modelos de machine learning. Relación de módulos de formación: Módulo 1 Introducción: la importancia del dato (6 horas). – Concienciación en relación a cómo la ciencia del dato afecta a todos los sectores y puede ser el aliado perfecto para el mundo de los negocios. – Conocimiento de los diferentes modelos de negocio basado en datos: – Nuevos modelos de negocio en torno al dato. – Tipología de datos y cómo se obtienen. – Maneras de rentabilizar el dato. – Data Business Model Canvas. – Adquisición de conocimientos sobre los avances en Big Data & Inteligencia Artificial (IA). – Estado actual. – Posible evolución futura. – Dominio de Conceptos básicos: – Qué es Big Data. – Qué es Machine Learn

Objetivo General: Conocer todas las nociones y características de las IA y su aplicación directa en algoritmos. Contenidos formativos: 1. Nociones y antecedentes. 2. Características de la IA. 3. Símbolos y métodos numéricos. 4. Fórmulas y funciones. 5. Algoritmos. 6. Algoritmos y aplicaciones de negocio (Caso geolocalización). 7. Sistemas basados en conocimiento. 8. Motores de inferencia. 9. Patrones. 10. Reglas y restricciones.

Objetivo general: Comprender la información que reporta Google Analytics, saber utilizarla y conocer mejor el funcionamiento de un negocio online. Módulo 1: Google Analytics y Google Metatags. Objetivo: Comprender el funcionamiento de las herramientas analíticas de Google y aprender a sacar partido a la información, así como organizarla para obtener resultados en base a la misma. Contenidos: – Introducción a Google Analytics, códigos de seguimiento y configuración de la cuenta. – Prácticas elaborando diferentes tipos de informes. – Trabajo específico en los embudos de conversión de objetivos. – Introducción a los eventos y Google Tag Manage.

Objetivo General: Adquirir conocimientos sobre las tecnologías asociadas a la empresa así como su uso. Adquirir conocimientos sobre las aplicaciones de la en la empresa. Implementar aplicaciones basadas en IA para ser usadas en la empresa. Contenidos formativos: 1. Introducción a la IA. 1.1 Definición. Historia. 1.2. Ramas de la IA. Algoritmos. 1.3 Machine/Deep Learning. 1.4 Big data: el cambio en la IA. 2. Algoritmos de IA. 2.1. Machine Learning: modelos supervisados. 2.2. Machine learning: modelos no supervisados. 2.3 Aprendizaje por refuerzo. 2.4 Modelos profundos (Deep learning). 2.5 Ejemplos con Weka/Orange. 3. Aplicaciones en la empresa. 3.1. People Analytics. 3.2 Predicción: stocks, demandas, comportamientos. 3.3. Segmentación: análisis de oferta. Identificar tendencias. 3.4 Fidelización de clientes usando aprendizaje reforzado. 3.5 Recomendadores web. 3.6 Mejora de procesos.