Personas interesadas en realizar un Programa Superior en Big Data
Comentarios:
Empieza a utilizar Big Data en tus análisis
Vivimos en un mundo “Big Data”. Este término está relacionado con la tecnología para manejar inmensas cantidades de datos, recogidas en diferentes formatos y a partir de una gran variedad de orígenes cada segundo. Estos datos hablan de nosotros, de nuestra vida diaria y son recogidos tanto de fuentes nuevas como tradicionales, constituyendo una gran oportunidad de mejorar el conocimiento de los clientes. Leer más
Uno de los principales factores de éxito en las empresas de hoy es convertir esos grandes volúmenes de datos, siempre cambiantes y de orígenes diversos, en información válida para la toma de decisiones.
En este curso de big data aprenderás, desde un punto de vista práctico y realista, a abordar y resolver problemáticas analíticas desde entornos big data, dando respuestas a través de soluciones tecnológicas tanto en tiempo real como en batch. Recorreremos contigo el camino desde el área de análisis de cliente, CRM o B.I. tradicionales hacia los nuevos retos en proyectos Big Data.
Lugar de impartición:
en Madrid
Profesorado:
Manuel Suárez Cabrerizo: Director.
LIcenciado en Ciencias Físicas con amplia experiencia y conocimiento en gestión de equipos en proyectos BI y marketing Multicanal.
Manuel Suárez es COO en DataCentric, dirige las operaciones y proyectos de la compañía ayudando a sus clientes a interpretar sus retos, convirtiendo los datos en valor que mejora sus resultados.
Licenciado en Ciencias Físicas, cuenta con más de 20 años de experiencia dirigiendo equipos tecnológicos y analíticos en diferentes compañías multinacionales y nacionales.
Sus áreas de trabajo están enfocadas a la transformación del dato en conocimiento gestionando proyectos en entornos de marketing y riesgo, BI, datawarehousing, Omnicanalidad y Big Data.
- Abril 2018: Desde el 20/04/2018, hasta el 14/07/2018. - Horario: Fin de semana ( viernes de 17:00 a 22:00h y sábados de 9:00 a 14:00h)
En el Curso de Big Data aprenderás a convertir grandes volúmenes de datos en información para tomar decisiones de negocio, junto a un grupo de docentes altamente cualificados en el área.
PROGRAMA SUPERIOR EN BIG DATA
1. ¿Qué es Big Data? › Introducción › Evolución histórica de almacenamiento y proceso de la información. Leer más › Definición de Big Data › Ejemplos de Uso en Big data. › Del big data al small data. › Presentación de la plataforma Big Data para prácticas › Planteamiento de objetivos de proyecto fin de curso.
2. Cómo detectar, plantear y abordar oportunidades de negocio con big data. › Big Data en diferentes áreas de negocio: Marketing, conocimiento del cliente, riesgo, fraude, customer experience › Tipos de datos y disponibilidad › Fortalezas y debilidades de los nuevos tipos de datos generados on-line, móviles y redes sociales. › Implementar una arquitectura de datos para ayudar en la toma de decisiones. › Conjugar datos de comportamiento con datos referidos al cliente (internos y externos) › Privacidad de datos. Aspectos legales.
3. Valor de Negocio. Transformación en conocimiento. › Extraer información de los datos estructurados y no estructurados. › Sistemas de anonimización. › Transformación de datos en conocimiento. › Valor del cliente vs Comportamiento del cliente.
4. Almacenamiento y procesamiento de la información en Big Data › Virtualización y Cloud Computing › Volumen. Almacenamiento. › Variedad. Tipos de Datos a Almacenar › Velocidad: Procesamiento paralelo. Hadoop. › Map Reduce. › Hive. SPARK. › Motores de búsqueda. ElasticSearch
5. Aplicaciones de Negocio en Telecomunicaciones y Banca. Casos prácticos (I) › Visión comercial big data en sectores Telecomunicación y Banca › Casos prácticos de monetización del Big Data en estos sectores.
6. Arquitectura de soluciones en Big Data › Procesos Batch › Procesos en Real Time › Escalabilidad › Disponibilidad › Fiabilidad
7. Plataformas Big Data I . Introducción a Hive, Spark, Search Machines › Plataforma ejemplo (determinación pendiente) › Hive – Hbase – Impala › Introducción Spark › Search Machines
8. Técnicas y Herramientas para obtención de insights › Casos de uso en telecomunicaciones › Conocimiento del cliente › Caso práctico: Proyecto recomendador de contenidos en TV
9. Plataformas Big Data II y III. Introducción lenguajes Python, PIG › Introducción a Lenguajes › Python › PIG
10. Técnicas Analíticas con Spark y Modelado predictivo › Técnicas analíticas: Spark. Monoides, Monadas y Computación distribuida. RDD y Dataframes. Análisis de datos. Notebooks con Spark › Modelado Predictivo: Introducción al modelado estadístico. Comprensión y visualización de datos. Predicción con regresión lineal. Clasificación de patrones con regresión logística. Otras técnicas estadísticas
11. Técnicas para visualización y análisis en Big Data: Datamining vs Machine Learning › Datamining vs machine learning. › Desmitificación estadística / data mining / big data / data Science. Tendencias y consolidación. Modelo de madurez en analytics. › Data Science. Introducción al método científico. Rigor, validez y fiabilidad. › Diseños de investigación. › Los procesos de análisis en Data Science. › Reporte y uso de los insights. › Principales técnicas analíticas en Big Data. › Mapa de técnicas para análisis descriptivo, predictivo, prescriptivo, causal y mecanístico. › Selección y combinación de técnicas.
12. Técnicas para visualización y análisis en Big Data: Machine Learning. Casos prácticos y tendencias actuales › Introducción al Aprendizaje Automático (Machine Learning). › Aprendizaje supervisado y no supervisado. › Principales técnicas en Aprendizaje Automático. Casos reales y ejemplos. › Tendencias actuales en Aprendizaje Automático. › Introduction a Ensemble learning. Bagging, Boosting, Stacking. › Nuevas tendencias en data science y big data analytics. › Cognitive Computing. Introducción a PLN. Watson Analytics. ML as a Service Azure ML. Amazon Machine Learning, Google Prediction API
13. Credit Scoring y aplicación de big data sobre datos alternativos al mundo financiero
14. Inteligencia Artificial y Procesamiento del Lenguaje Natural › ¿Qué es el PLN? › Principales técnicas PLN › ¿Qué es un corpus y cómo hacerlo bien? › Casos prácticos
15. Caso de uso de Big Data: Clasificación de solicitudes de patentes › Solución basada en redes neuronales profundas y tecnologías de procesamiento del lenguaje natural, que permite clasificar automáticamente las patentes escritas en cualquier idioma y buscar otras patentes similares para detectar plagios y originalidad.
16. Open Data & Modelos de Capilaridad en puntos de venta › Datos disponibles: Open Data: Open Data + Third Party Data › Analítica de localización (Location Analytic), Inteligencia de localización (Location Intellingence) › Casos de uso › Visualización avanzada CartoDB y D3js
17. Aplicaciones de Negocio. Casos prácticos:Big Data en sector Media y Analítica Web › Big Data en Media. Empleo de Big Data en el sector Media con el objetivo de mejorar la experiencia de cliente: Necesidad de Negocio. Planteamiento de la solución. Construcción de Data Lake. Analítica en Big Data, conocimiento del cliente. Operatividad en entorno Big Data. Venta programática › Analítica web. Caso práctico de empleo de analítica en web para mejorar el conocimiento y comportamiento del cliente:Adquisición, comportamiento,conversión.Leer menos
