Curso actualmente no disponible
Diplomado en Big Data: Herramientas y Análisis
Diplomado
A distancia
Aprende con los mejores
-
Tipología
Diplomado
-
Metodología
A distancia
-
Duración
8 Meses
El Diplomado en Big Data prepara para los recientes avances en el procesamiento y análisis de datos, revolución tecnológica caracterizada por la aparición de eficaces herramientas para un uso efectivo de fuentes masivas de datos o Big Data. Este escenario abre grandes oportunidades para la creación de nuevos modelos de negocios, así como para la aparición de un nuevo ecosistema de emprendimientos orientados a aprovechar las nuevas tecnologías. En el corto plazo, las nuevas tecnologías para Big Data serán un elemento crítico y diferenciador para un sinnúmero de actividades del quehacer productivo.
Ya sea en el ámbito de la gestión o la implementación de tecnologías Big Data, su transversalidad y penetración auguran una gran necesidad por profesionales preparados en esta área. Estos profesionales están llamados a liderar la transformación del sector empresarial para enfrentar y sacar partido de las nuevas tecnologías. En economías avanzadas esto ya es una realidad, y tanto en Chile como en Latinoamérica no tardará en ocurrir lo mismo.
A tener en cuenta
Nuevas tecnologías y herramientas para su exitosa incorporación en las organizaciones, logrando la extracción de conocimiento desde fuentes masivas de datos, tanto estructuradas, como no estructuradas, incluyendo textos, imágenes, voz e interacciones en redes sociales
– Ingenieros Civiles Industriales, Ingenieros Comerciales, Civiles Informáticos, Civiles Electrónicos y Civiles Eléctricos.
– Licenciados en Computación y otros profesionales licenciados y/o con experiencia en áreas afines, que requieren conocimientos o habilidades en la materia.
Diplomado en Big Data
El centro se pondrá en contacto contigo, una vez envíes tus datos a través del formulario.
Opiniones
Materias
- Redes
- Análisis de datos
- Modelos
- Archivos
- Bases de Datos
- Herramientas
- Ecosistema
- Hadoop
- Cluster
- Movimiento masivo
- Máquina para big data
Profesores
Hans Löbel Díaz
Ph.D. y Magíster en Ciencias de la Ingeniería de la UC
Ph.D. y Magíster en Ciencias de la Ingeniería de la UC. Ingeniero Civil en Ciencia de la Computación de la UC. Profesor del Dpto. de Ciencia de la Computación y del Dpto. de Ingeniería de Transporte y Logística de la Escuela de Ingeniería UC. El Dr. Löbel es especialista en aprendizaje de máquina (Machine Learning), reconocimiento visual y Big Data. Su área principal de trabajo es el desarrollo de técnicas de aprendizaje profundo para análisis de datos no estructurados con aplicaciones en el área de Smart Cities.
Temario
Curso: Ecosistema Hadoop
Contenidos:
Unidad I: Fundamentos de Hadoop
– Introducción a Hadoop
– Hadoop sistema distribuido de archivos: HDFS (Hadoop distributed file system)
– Hadoop distribución de tareas en un cluster: Paradigma Map Reduce
– Bases de datos no relacionales (NoSQL-Structured Query Language)
– Google Gran Tabla y Hadoop Hbase
Unidad II: Ecosistema Hadoop
– Introducción al ecosistema Hadoop de Cloudera
– Herramientas del ecosistema: Pig, Hive, Impala y Hue
– Movimiento masivo de datos: Sqoop
– Datos Secuenciales (Streaming): Flume
– Spark
– Librería de Aprendizaje de Máquina: Spark MLlib (Spark Machine learning library)
Curso: Aprendizaje de Máquina para Big Data
Contenidos:
Unidad I: Conceptos Fundamentales de Aprendizaje de Máquina y Big Data
– Introducción al aprendizaje de máquina
– Técnica de vecinos cercanos
– Redes neuronales de capa oculta
– Modelos de aprendizaje de máximo margen
– Optimización y técnicas de descenso de gradiente estocástico
– Limitaciones de técnicas tradicionales de aprendizaje de máquina para problemas de Big Data
Unidad II: Técnicas de Aprendizaje de Máquina para Big Data
– Técnicas de hashing con colisión local
– Modelos jerárquicos composicionales y aprendizaje estructural
– Representaciones distribuidas
– Redes neuronales convolucionales de aprendizaje profundo
– Redes neuronales recurrentes
Curso: Técnicas de Visualización y Sistemas de Recomendación
Contenidos:
Unidad I: Técnicas de Visualización
– Fundamentos: abstracción de datos, marcas y canales, procesamiento humano de la información
– Representaciones estadísticas y algoritmos
– Reducción de dimensionalidad
– Visualización de datos espaciales, temporales y redes sociales
– Evaluación de sistemas de visualización
– Herramientas de software y estudio de casos
Unidad II: Sistemas de Recomendación
– Datos usados para generar recomendaciones
– Fuentes de información espacial, temporal y redes sociales
– Métricas de distancia
– Preferencias basadas en retroalimentación explícita e implícita
– Métodos de recomendación: personalizados, colaborativos, basados en contexto o contenido, híbridos
– Evaluación de sistemas recomendadores
– Estudio de casos
Curso: Computación de Alto Rendimiento y Teoría de Grafos para Big Data
Contenidos:
Unidad I: Computación de alto rendimiento para Big Data
– Introducción al procesamiento paralelo de datos
– Uso de recursos elásticos y procesamiento en la nube
– Modelos para almacenamiento distribuido de archivos en clusters
– Modelos para manejo distribuido de memoria en clusters
– Modelos para ejecución distribuida de proceso en clusters
– Procesamiento en unidades gráficas (GPUs-graphics processing unit)
Unidad II: Teoría de grafos para Big Data
– Conceptos fundamentales de teoría de grafos: grado, isomorfismos, conectividad, centralidad, traversabilidad, búsqueda y ranking, métricas de distancia
– Base de datos para grafos
– Grafos como herramienta analítica para Big Data
– Grafos para modelamiento y análisis de datos espaciales y redes sociales
– Grafos para modelamiento y análisis de datos dinámicos
– Grafos como herramienta de modelamiento y descubrimiento de patrones semánticos
– Estudio de casos
Diplomado en Big Data: Herramientas y Análisis