Curso gratis IFCT166PO ALGORITMOS DE BIGDATA PARA INGENIERÍAS

OBJETIVOS DEL CURSO GRATIS IFCT166PO ALGORITMOS DE BIGDATA PARA INGENIERÍAS

PRÁCTICAS EN EMPRESA

El curso IFCT166PO ALGORITMOS DE BIGDATA PARA INGENIERÍAS dispone de 150 a 250 horas de Prácticas Profesionales en Empresa. Consulta con nuestros asesores de formación la posibilidad de realizar estas Prácticas Profesionales en su Provincia tras la finalización del curso. Las prácticas en empresa son opcionales y no obligatorias.

CONTENIDO DEL CURSO GRATIS IFCT166PO ALGORITMOS DE BIGDATA PARA INGENIERÍAS

UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

1. Introducción a la minería de datos y el aprendizaje automático
2. - Proceso KDD
3. - Modelos y Técnicas de Data Mining
4. - Áreas de aplicación
5. - Minería de textos y Web Mining
6. - Data mining y marketing

UNIDAD DIDÁCTICA 2. R COMO HERRAMIENTA PARA BIG DATA

1. Instalación de R y RStudio
2. - Introducción al lenguaje
3. - Historia e Introducción a R
4. - Operaciones Básicas y Números
5. - Atributos, Entrada y Coerción
6. - Matrices
7. - Precedencia Operaciones Vectoriales
8. - Manejo de fechas y tiempo
9. - Listas, Factores, Valores Faltantes y Dataframes
10. - Subconjuntos de Datos
11. - Leer y Escribir Datos
12. Uso del lenguaje
13. - Estructuras de Control
14. - Funciones
15. - Reglas de Alcance
16. Sistema de gráficos
17. - Funciones *apply: apply
18. - Funciones *apply: lapply / sappy
19. - Funciones *apply: mapply / rep
20. - Graficación con el Sistema de Base de Gráficos
21. - Algunas Funciones Gráficas de Alto Nivel
22. - Parámetros en el Sistema de Gráficos
23. - Colores en el Sistema de Gráficos
24. - Graficación con Notación Matemática
25. - Graficación con texto y notación matemática
26. - Creación de Gráficas en 3D
27. Expresiones regulares. Gráficas con ggplot2 y Simulación
28. - Expresiones Regulares
29. - Paquete de gráficos ggplot2
30. - Simulación
31. R en el mundo real
32. - Estadística Descriptiva y Predictiva con R
33. - Integración de R en Hadoop

UNIDAD DIDÁCTICA 3. PRE-PROCESAMIENTO & , PROCESAMIENTO DE DATOS

1. Obtención y limpieza de los datos (ETL)
2. Inferencia estadística
3. Pruebas de hipótesis
4. Modelos de regresión
5. Árboles de Decisión
6. Algoritmos de Clasificación / Regresión (J48/C5. 0, M5P)
7. Normalización, Tipos de distancia, Correlación
8. Machine Learning
9. Comparar Artículos (k-NN)
10. Modelo predictivo de profit (k-NN, M5P. . . )
11. Modelo predictivo de clasificación (J48, k-NN)

UNIDAD DIDÁCTICA 4. ANÁLISIS DE LOS DATOS

1. Inteligencia Analítica de negocios
2. La teoría de grafos y el análisis de redes sociales
3. Presentación de resultados

UNIDAD DIDÁCTICA 5. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP

1. ¿Qué es Hadoop?
2. El sistema de archivos HDFS
3. Algunos comandos de referencia
4. Procesamiento MapReduce con Hadoop
5. El concepto de los clusters en Hadoop

UNIDAD DIDÁCTICA 6. WEKA Y DATA MINING

1. ¿Qué es Weka?
2. Técnicas de Data Mining en Weka
3. Interfaces de Weka
4. Selección de atributos