Curso Online en Big Data e Inteligencia Artificial: Analisis de Grandes Volumenes de Datos

1.    Fundamentos conceptuales y evolución del Big Data y la Inteligencia Artificial

1.1.  Definición, origen y evolución histórica del concepto de Big Data

1.2.  Conceptualización y desarrollo histórico de la Inteligencia Artificial

1.3.  Tipologías y fuentes de datos en el ecosistema digital actual

1.4.  El ciclo de vida del dato en proyectos de análisis masivo

1.5.  Impacto socioeconómico y transformación digital impulsada por el dato

1.6.  Competencias y perfiles profesionales en el ámbito del Big Data y la Inteligencia Artificial

2.    Arquitecturas tecnológicas y ecosistemas de Big Data

2.1.  Principios de diseño de arquitecturas para el procesamiento de datos masivos

2.2.  El ecosistema Apache Hadoop como plataforma fundacional de Big Data

2.3.  Apache Spark y el procesamiento de datos en memoria

2.4.  Arquitecturas Lambda y Kappa para el procesamiento híbrido de datos

2.5.  Sistemas de mensajería y procesamiento de datos en tiempo real

2.6.  Criterios de selección tecnológica según los requisitos específicos del proyecto

3.    Almacenamiento y gestión de grandes volúmenes de datos

3.1.  Fundamentos de los sistemas de almacenamiento distribuido

3.2.  Bases de datos relacionales y sus limitaciones ante el Big Data

3.3.  Bases de datos NoSQL: tipologías, características y casos de uso

3.4.  Data warehouses y data lakes como estrategias de almacenamiento analítico

3.5.  Formatos de almacenamiento optimizados para el análisis de datos masivos

3.6.  Estrategias de particionamiento, replicación y escalabilidad del almacenamiento

4.    Computación en la nube aplicada al Big Data y la Inteligencia Artificial

4.1.  Fundamentos del cloud computing y modelos de servicio: IaaS, PaaS y SaaS

4.2.  Principales plataformas cloud para proyectos de Big Data e Inteligencia Artificial

4.3.  Infraestructura como código y automatización de entornos de datos

4.4.  Diseño de arquitecturas escalables y tolerantes a fallos en entornos cloud

4.5.  Optimización de costes y gestión eficiente de recursos en la nube

4.6.  Estrategias de migración de infraestructuras de datos al entorno cloud

5.    Preprocesamiento, calidad e integración de datos a gran escala

5.1.  Importancia del preprocesamiento en el flujo de trabajo analítico

5.2.  Evaluación y aseguramiento de la calidad de los datos

5.3.  Limpieza de datos: detección y tratamiento de anomalías e inconsistencias

5.4.  Transformación y normalización de datos para el análisis

5.5.  Procesos ETL y ELT en entornos de Big Data

5.6.  Técnicas de reducción de la dimensionalidad en conjuntos de datos complejos

5.7.  Integración de datos procedentes de fuentes heterogéneas y distribuidas

6.    Análisis estadístico y exploratorio de datos masivos

6.1.  Fundamentos del análisis exploratorio de datos (EDA) en contextos de Big Data

6.2.  Estadística descriptiva aplicada a grandes volúmenes de datos

6.3.  Técnicas de muestreo estadístico para conjuntos de datos de gran dimensión

6.4.  Inferencia estadística y contraste de hipótesis con datos masivos

6.5.  Análisis de series temporales en entornos de datos masivos

6.6.  Herramientas y lenguajes de programación para el análisis estadístico

7.    Aprendizaje automático (Machine Learning) aplicado al análisis de datos

7.1.  Fundamentos teóricos del aprendizaje automático y su relación con la Inteligencia Artificial

7.2.  Aprendizaje supervisado: algoritmos de clasificación

7.3.  Aprendizaje supervisado: algoritmos de regresión

7.4.  Aprendizaje no supervisado: técnicas de agrupamiento y segmentación

7.5.  Selección de modelos, validación cruzada y optimización de hiperparámetros

7.6.  Métricas de evaluación del rendimiento de modelos predictivos

7.7.  Escalabilidad del Machine Learning: entrenamiento distribuido con Spark MLlib

7.8.  Implementación práctica de pipelines de Machine Learning con Scikit-learn

8.    Deep Learning y técnicas avanzadas de Inteligencia Artificial

8.1.  Fundamentos del Deep Learning y redes neuronales artificiales

8.2.  Redes neuronales convolucionales (CNN) para el procesamiento de imágenes y señales

8.3.  Redes neuronales recurrentes (RNN) y modelos para datos secuenciales

8.4.  Arquitecturas Transformer y modelos de lenguaje de gran escala (LLM)

8.5.  Frameworks de desarrollo para Deep Learning: TensorFlow y PyTorch

8.6.  Entrenamiento de modelos de Deep Learning a gran escala con GPUs y TPUs

8.7.  Redes generativas adversarias (GANs) y modelos de difusión para la generación de datos

9.    Procesamiento de lenguaje natural y análisis de datos no estructurados

9.1.  Fundamentos del procesamiento de lenguaje natural (NLP) en el contexto del Big Data

9.2.  Técnicas de preprocesamiento textual y representación del lenguaje

9.3.  Tareas fundamentales del NLP aplicadas al análisis masivo de datos textuales

9.4.  Análisis de datos no estructurados: imágenes, audio y vídeo

9.5.  Aplicaciones multimodales que integran diversas fuentes de datos no estructurados

10.    Visualización de datos y comunicación de resultados analíticos

10.1.  Principios fundamentales de la visualización de datos eficaz

10.2.  Herramientas de visualización para el análisis exploratorio de datos

10.3.  Plataformas de Business Intelligence y cuadros de mando interactivos

10.4.  Visualización de datos a gran escala: retos técnicos y soluciones de rendimiento

10.5.  Narrativa de datos (data storytelling) y comunicación de insights a stakeholders

11.    Gobernanza de datos, ética y marco regulatorio en Big Data e Inteligencia Artificial

11.1.  Principios y marcos de referencia para la gobernanza de datos

11.2.  Privacidad y protección de datos personales en entornos de Big Data

11.3.  Seguridad de la información en infraestructuras de datos masivos

11.4.  Ética en la Inteligencia Artificial: sesgos, equidad y transparencia algorítmica

11.5.  Marco regulatorio europeo e internacional sobre Inteligencia Artificial

11.6.  Gestión de la calidad y el linaje de datos en entornos empresariales

12.    Diseño, despliegue y gestión de proyectos integrales de Big Data e Inteligencia Artificial

12.1.  Metodologías de gestión de proyectos de ciencia de datos

12.2.  Definición del problema de negocio y diseño de la estrategia analítica

12.3.  MLOps: operacionalización y ciclo de vida de modelos de Machine Learning

12.4.  Despliegue de modelos en producción mediante APIs y servicios escalables

12.5.  Evaluación del impacto y retorno de inversión de proyectos de Big Data e IA

12.6.  Tendencias emergentes y evolución futura del Big Data y la Inteligencia Artificial