¿Qué quieres aprender?

Big Data: Máster Executive en Big Data e Inteligencia Artificial

Big Data: Máster Executive en Big Data e Inteligencia Artificial

INTECSSA - Instituto Inertia de Sistemas y Software Avanzado

Máster online


Precio a consultar

Duración : 8 Meses

¿Quieres hablar con un asesor sobre este curso?

Objetivos

Dominar el ecosistema del Big Data e Inteligencia Artificial, desde los lenguajes de programación, tecnologías, metodologías, herramientas y aplicaciones prácticas en proyectos empresariales.

A quién va dirigido

El Máster Executive en Big Data e Inteligencia Artificial, está pensado para cualquier persona que desee formarse profesionalmente en las dos tecnologías más punteras y demandadas hoy en día en el ámbito empresarial y tecnológico. También está indicado para profesionales y técnicos relacionados con ambas tecnologías y personas que cumplan estos perfiles: • Profesionales o titulados en estadística, Ingenierías, física o Matemáticas. • Emprendedores en el área del Big Data e Inteligencia Artificial. • Desempleados que quieran cambiar de rumbo profesional. • Todas aquellas personas que quieran formarse en una disciplina de máxima actualidad, siempre que tengan entusiasmo, formación o experiencia en el ámbito tecnológico.

Requisitos

Este Máster Executive en Big Data e Inteligencia Artificial no tiene ningún requisito académico de acceso previo, no obstante, el estudiante deberá tener en cuenta que el contenido de algunas unidades didácticas requerirá una mayor o menor dedicación al estudio, dependiendo de su formación académica previa. Es aconsejable tener conocimientos básicos de algún lenguaje y sistemas.

Temario completo de este curso

TEMARIO RESUMIDO

Big Data Architecture

1. Entornos y lenguajes de desarrollo

Big Data Processing (Spark & Scala)

1. Scala

2. Introducción

3. Arquitectura batch

4. Spark Core

5. Spark SQL

6. Spark Streaming

7. Analytics

8. Tuning

9. Spark Machine learning

10. Spark GraphX (Introducción):

Big Data Analytics & Machine Learning

11. Exploración y Visualización de Datos

Ad Hoc y Estadística

12. Introducción R y Notebooks

13. Estimadores estadísticos

14. Funciones de probabilidad

15. Relaciones entre dos variables:

16. Muestreo

17. Margen de error:

18. Tests estadísticos

Data Mining

19. Preprocesamiento

20. Aprendizaje supervisado

21. Aprendizaje no supervisado

22. Reducción de la dimensionalidad

Machine Learning

23. Introducción y conceptos fundamentales

24. Conceptos básicos en ML

25. Selección del modelo

26. Regularización

27. Selección de características

28. Alternativa: reducción de la dimensionalidad.

29. Métodos de agrupamiento

30. Máquinas de vectores Soporte

31. Redes neuronales

32. Sistemas de recomendación

Deep Learning

33. Conceptos básicos de redes neuronales

NLP

34. Introducción

35. Preprocess

36. Features

37. Visualización de features

38. Supervised Learning

39. Unsupervised learning

40. Word embeddings

41. Revisit Supervised Learning con deep learning

42. Information Retrieval

43. Learning Ranking Functions

Ver más