BLOQUE I: CURSO DATA SCIENCE

PARTE I: INTRODUCCIÓN AL LENGUAJE DE PROGRAMACIÓN R

Ud.1 - PROGRAMACIÓN CON R

• ¿Qué es R?
• Instalación de software. Desarrollo proyecto en RStudio
• Vectores y Matrices.
• Listas
• DataFrames
• ¿Qué hacer con los Missing Values?
• Evaluación

Ud.2 - ESTADÍSTICA EN R

• Funciones estadísticas
• Tipo de estadística por grupo de datos
• Relación entre variables
• Distribuciones de probabilidad
• Correlación multivariable
• Descripción de dataset
• Gráficos de nubes de puntos
• Matrices de gráficos
• Trabajando con variables cualitativas
• Evaluación

PARTE II: MACHINE LEARNING

Ud.3 - INTRODUCCIÓN A MACHINE LEARNING

• Introducción a Machine Learning
• Tipos de algoritmos
• Diferencia entre aprendizaje supervisado y no supervisado
• Aprendizaje supervisado
• Aprendizaje no-supervisado
• Aplicaciones de Machine Learning
• Evaluación

Ud.4 - REGRESIÓN LINEAL

• Errores en la estimación
• Regresión lineal simple
• Residual Sum of Squares (RSS)
• Análisis de los parámetros estimados
• Estimación de parámetros en R
• Precisión del ajuste del modelo
• Regresión Lineal Múltiple
• Gráficos
• Evaluación

Ud.5 - MACHINE LEARNING

• Regresión logística
• Clasificación K Nearest Neighbors (K-NN)
• Árboles de decisión
• Support Vector Machines (SVM)
• Evaluación

Ud.6 - CLUSTERING

• K-means Clustering
• Hierarchical Clustering
• Evaluación

PARTE III: LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA Y MACHINE LEARNING

Ud.7 - ANÁLISIS DE DATOS VECTORIALES Y R

• Capas vectoriales tipo punto
• Capas vectoriales tipo línea
• Capas vectoriales tipo polígono
• Uso del paquete “rgeos“
• Evaluación

Ud.8 - TRATAMIENTO DE DATOS RÁSTER Y R

• Lectura de un archivo ráster
• Visualización de datos ráster
• Acceso a los datos del archivo ráster
• Visualización avanzada con RasterVis
• Conversión ráster a vectorial
• Conversión de Spatial DataFrame a DataFrame
• Descripción ráster satélite Landsat
• Evaluación

BLOQUE II: CURSO DEEP LEARNINGUd.1 - PROGRAMACIÓN EN PYTHON

• Introducción a Anaconda
• Fundamentos de Python
• Instalación de librerías y de un entorno para Deep Learning y SIG
• Numpy: Manejo y operaciones con arrays
• Gráficas con Matplotlib
• Pandas, manipulación de datos
• Evaluación

Ud.2 - INTRODUCCIÓN AL MACHINE LEARNING

• Inteligencia artificial, Machine Learning frente a enfoque tradicional
• Tipos de sistemas de Machine Learning
• ¿Cómo aprenden los ordenadores?
• Aprendizaje supervisado con Scikit-Learn
• ¿Qué es Deep Learning?
• Deep Learning aplicado a imágenes aéreas
• Keras y Tensorflow
• Evaluación

Ud.3 - DEEP LEARNING: REDES NEURONALES

• ¿Qué es una red neuronal artificial?
• Aprendizaje en redes neuronales artificiales
• Evaluación del modelo
• Generalización, sobreajuste, regularización

Práctica 1: Clasificación de tipos de suelo en imágenes de Sentinel 2.
Evaluación

Ud.4 - REDES NEURONALES CONVOLUCIONALES

• Ventajas de las redes neuronales convolucionales (CNN)
• Estructura y componentes
• Práctica 2: Clasificación de tipos de suelo en imágenes de Sentinel 2 con CNN
• Arquitecturas relevantes y aprendizaje por transferencia
• Aumento de datos y generadores de datos

Práctica 3: Clasificación de escenas en imágenes de Google Earth con CNN

Ud.5 - DETECCIÓN DE OBJETOS

• Estrategias y arquitecturas para la detección de objetos
• Evaluación de modelos de detección
• RetinaNet
• Descripción e instalación de la implementación

Práctica 4: Detección de árboles con RetinaNet
Práctica 5: Detección de vehículos con RetinaNet

Evaluación

Ud.6 - SEGMENTACIÓN SEMÁNTICA

• ¿Qué es la segmentación semántica?

Práctica 6: Implementación de un modelo para segmentar edificios en imágenes de satélite.

• Arquitecturas relevantes para la segmentación
• Evaluación de modelos de detección.
• U-Net
• Descripción e instalación de la implementación

Práctica 7: Segmentación de edificios en imágenes de satélite con U-Net.

Evaluación.

Ud.7 - MANIPULACIÓN DE DATOS SIG EN PYTHON

• Manipulación de datos en formato ráster
• Manipulación de datos en formato vectorial

Práctica 8: Implementación de un sistema de Deep Learning con datos en formato SIG.

Evaluación.

BLOQUE III: CURSO VISUALIZACIÓN DE DATOS CON TABLEAUUd.1 - INTRODUCCIÓN VISUALIZACIÓN DATOS Y TABLEAU

• Introducción a la visualización de datos. Definición y tipos
• ¿Qué es Tableau?
• Descripción de los diferentes productos
• Alta como usuario e instalación aplicaciones
• Partes que forman la interfaz.
• Las hojas y el Dashboard
• Barra de herramientas “Mostrarme”
• Administración de la ayuda y los recursos de Tableau.
  Evaluación

Ud.2 - TRABAJANDO CON BASES DE DATOS

• ¿Qué es una base de datos?
• Búsqueda de fuentes de datos
• Descarga de información
• ¿Cómo organizar tus datos para visualización?
• Buenas prácticas y calidad de datos
• Uniones.
• Relaciones entre datos, gestión de consultas y filtros
• Los metadatos.

Evaluación

Ud.3 - VISUALIZACIÓN

• Buenas prácticas en el desarrollo de simbología y el diseño de la visualización.
• ¿Qué es un Dashboard? Tipos
• ¿Cómo realizar una visualización con tus datos en Tableau?
• Dashboard, historias y animaciones
• Realización de mapas
• Integración con Mapbox y servicios (WMS)

Ud.4 - ANÁLISIS

• Nociones para la realización de análisis de datos en Tableau
• Tipos de análisis.
• Realización de estadísticas en Tableau
• Realización de cálculos en Tableau
• Generación de gráficas
• Elaboración de diferentes tipos de gráficos.
• Obtención de información de valor desde tus datos

Evaluación

Ud.5 - ¿CÓMO CONTAR UNA HISTORIA GRÁFICA? DATA STORELLING

• Flujo de trabajo para desarrollar una historia gráfica en Tableau
• Otras herramientas de visualización de datos
• ¿Qué es una infografía?
• Pasos para crear una infografía
• Maneras de obtener inspiración
• Ejemplos

Evaluación.

Ud.6 - PROYECTO TABLEAU

• Publicación de la visualización
• ¿Cómo compartir tu proyecto desarrollado con Tableau?
• Pautas para crear un proyecto sobre visualización de datos

Evaluación

BLOQUE IV: DESARROLLO PROYECTO DEL CURSO

En esta unidad se establecerán las bases para el desarrollo del proyecto del curso.