Big Data, Machine Learning Y Data Science En Python

Este recurso está orientado a profesionales involucrados en proyectos relacionados con Big Data que buscan identificar las características de soluciones en este ámbito, los tipos de datos asociados, la infraestructura necesaria y las técnicas de procesamiento pertinentes.

Instrucciones para inscribirse al curso gratis

¡No dejes pasar esta oportunidad! Sigue estos sencillos pasos para inscribirte al curso con un 100% de descuento por tiempo limitado:

1. Haz clic en el botón azul de abajo que dice ¡Obtener Ahora! 
2. Espera y disfruta.

Sus objetivos principales incluyen:

Introducir los conceptos de ciencia de datos y aprendizaje automático.

Presentar las principales bibliotecas de Python utilizadas para aplicar técnicas de aprendizaje automático a los datos.

Describir los pasos para construir un modelo de aprendizaje automático, desde la adquisición de datos hasta la selección de modelos.

Explicar los principales algoritmos para resolver problemas de aprendizaje automático.

Introducir scikit-learn como herramienta para resolver problemas de aprendizaje automático.

Presentar PySpark como herramienta para aplicar técnicas de Big Data y MapReduce.

Introducir los sistemas de recomendación basados en contenidos.

El contenido se desarrolla con un enfoque teórico-práctico, reforzando los conocimientos mediante la creación y ejecución de scripts en la consola de Python. Además, se complementa con un repositorio que contiene ejemplos analizados a lo largo del texto, facilitando al lector la práctica y asimilación de los contenidos teóricos.

El temario completo es el siguiente:
Capítulo 1: Introducción a Big Data

• 1.1. Introducción
• 1.2. Definición de Big Data
• 1.3. Tipos de datos
• 1.4. Características de Big Data
• 1.5. Desafíos de Big Data
• 1.6. Tecnologías para Big Data
• 1.7. Perfiles Big Data
• 1.7.1. Dirección de datos (Chief Data Officer - CDO)
• 1.7.2. Científico de datos (Data Scientist)
• 1.7.3. Analista de datos (Data Analyst)

Capítulo 2: Arquitecturas Big Data

• 2.1. Introducción
• 2.2. Arquitectura Lambda
• 2.3. Arquitectura Kappa
• 2.4. Arquitectura Zeta
• 2.5. Comparativa entre arquitecturas
• 2.6. Componentes de una arquitectura Big Data
• 2.7. Herramientas para Big Data
• 2.8. Casos de uso de arquitecturas Big Data
• 2.8.1. Automóviles en un mundo de streaming
• 2.8.2. Construyendo un sistema de linaje de datos
• 2.8.3. Wolfram Language 2.9. Big Data Landscape 2.10. Herramientas para el análisis de datos masivos 2.11. Conclusiones
• Capítulo 3: Bases de Datos para Big Data3.1. Introducción 3.2. Comparación SQL vs NoSQL 3.3. Bases de datos NoSQL 3.4. Ventajas de las bases de datos NoSQL 3.5. Tipos de bases de datos NoSQL 3.6. Implementando NoSQL 3.7. Bases de datos documentales

• 3.7.1. Casos de uso de bases de datos documentales
• 3.7.2. MongoDB
• 3.7.3. Indexación en MongoDB
• 3.7.4. Replicación en MongoDB
• 3.7.5. Uso de MongoDB desde Python
• 3.7.6. CouchDB
• 3.7.7. Arquitectura de CouchDB 3.8. Bases de datos orientadas a columnas
• 3.8.1. Apache Cassandra
• 3.8.2. Consistencia en Apache Cassandra
• 3.8.3. Casos de uso 3.9. Bases de datos clave-valor (Key-Value)
• 3.9.1. Redis 3.10. Bases de datos orientadas a grafos
• 3.10.1. Casos de uso de bases de datos de grafos
• 3.10.2. Neo4j 3.11. Teorema CAP 3.12. Conclusiones NoSQL

Capítulo 4: Introducción a la Ciencia de Datos y Machine Learning
4.1. Definición de ciencia de datos
4.2. Definiciones de aprendizaje y machine learning
4.3. Sistemas expertos 4.4. Minería de datos