Máster online
Duración : 8 Meses
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
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