INTRODUCCIÓN AL BIG DATA E INTELIGENCIA ARTIFICIAL oAdquisición y dominio de conceptos básicos y de conocimientos sobre los avances en Big Data: •Cómo evoluciona el BI tradicional al Big Data (navegación web, geolocalización, audiencias TV,…) •El Big Data como solución al tratamiento masivo de datos: definición e historia desde su invención. •Hadoop como revolución para el tratamiento paralelo de datos masivo. •Características del Big Data (4 V's y más): volumetría, velocidad, variedad (estructurados/no estructurados), veracidad (calidad del dato), valor del dato, … •Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing. oConocimiento de nociones básicas sobre arquitectura Big Data y principales tecnologías: •El ecosistema Hadoop: HDFS y MapReduce. •Principales lenguajes de programación utilizados: Java, Scala, SQL y Python. •Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE. •Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis. •Procesamiento y analítica avanzada con Spark. •Seguridad y gobierno del dato. oComprensión de los principales conceptos sobre La “Ciencia de datos” e IA: •Introducción a la “Ciencia de datos” y la Inteligencia Artificial. •Principales lenguajes de programación utilizados: R y Python. •Algoritmos supervisados: ¿Qué son? Algunos Ejemplos. •Algoritmos no-supervisados: ¿Qué son? Algunos Ejemplos. •Introducción al Deep Learning y el Aprendizaje por Refuerzo. •Procesamiento de información no estructurada: Imágenes y Textos. •Visualización de datos: Visualizaciones interactivas y Dashboards. oAdquisición de una visión trasversal sobre el futuro del BigData y cómo se aplica actualmente en diferentes áreas: •Ejemplos en las instituciones públicas: OpenData. •Ejemplos en el mundo empresarial: ejemplos de aplicabilidad del Big Data a la eficiencia de las operaciones de una compañía. •“Data for Good”: Big Data para el bien social. •Reflexiones finales sobre el impacto del Big Data en los años venideros.