1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting

  1. Modelo de datos
  2. Tipos de datos
  3. Claves primarias
  4. Índices
  5. El valor NULL
  6. Claves ajenas
  7. Vistas
  8. Lenguaje de descripción de datos (DDL)
  9. Lenguaje de control de datos (DCL)

  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL: Teorema de CAP
  4. Sistemas de Bases de datos NoSQL

  1. ¿Qué es MongoDB?
  2. Funcionamiento y usos de MongoDB
  3. Primeros pasos con MongoDB: Instalación y Shell de comandos
  4. Creando nuestra primera base de datos NoSQL: Modelo e inserción de datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB

  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python Dream Team del Big Data

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

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

  1. ¿Qué es el análisis de datos?

  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib

  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas

  1. Pivot tables en pandas

  1. El grupo de pandas

  1. Python Pandas fusionando marcos de datos

  1. Matplotlib
  2. Seaborn

  1. Aprendizaje automático

  1. Regresión lineal
  2. Regresión logística

  1. Estructura de árbol

  1. Algoritmo de Naive bayes
  2. Tipos de Naive Bayes

  1. Máquinas de vectores soporte (Support Vector Machine-SVM)
  2. ¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn

  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN

  1. Análisis de componentes principales

  1. Algoritmo de Random Forest

  1. Concepto y funciones de la estadística
  2. Medición y escalas de medida
  3. Variables. Clasificación y notación
  4. Distribución de frecuencias

  1. Estadística descriptiva básica
  2. Estadística inferencial
  3. Métodos de muestreo
  4. Principales indicadores

  1. Medidas de tendencia central
  2. Media aritmética
  3. Mediana
  4. Moda
  5. Medidas de posición

  1. Fundamentos de las medidas de dispersión
  2. Rango
  3. Varianza y desviación típica
  4. Amplitud semi-intercuartil
  5. Índice de asimetría de Pearson

  1. Importancia de la representación gráfica en estadística
  2. Tipos de gráficos
  3. Principales elementos de un gráfico estadístico
  4. Elección del gráfico adecuado
  5. Herramientas digitales para crear gráficos estadísticos

  1. Distribución de frecuencias
  2. Tablas de frecuencia
  3. Tipos de tablas de frecuencia
  4. Interpretación de tablas de frecuencia

  1. Correlación: conceptos básicos
  2. Diagrama de dispersión
  3. Tipos de correlación
  4. Métodos para el análisis de la correlación

                                      1. Hadoop
                                      2. Pig
                                      3. Hive
                                      4. Sqoop
                                      5. Flume
                                      6. Spark Core
                                      7. Spark 2.0

                                      1. Fundamentos de Streaming Processing
                                      2. Spark Streaming
                                      3. Kafka
                                      4. Pulsar y Apache Apex
                                      5. Implementación de un sistema real-time

                                      1. Hbase
                                      2. Cassandra
                                      3. MongoDB
                                      4. Neo4J
                                      5. Redis
                                      6. Berkeley DB

                                      1. Lucene + Solr

                                      1. Arquitectura Lambda
                                      2. Arquitectura Kappa
                                      3. Apache Flink e implementaciones prácticas
                                      4. Druid
                                      5. ElasticSearch
                                      6. Logstash
                                      7. Kibana

                                      1. Amazon Web Services
                                      2. Google Cloud Platform

                                      1. Administración e Instalación de clusters: Cloudera y Hortonworks
                                      2. Optimización y monitorización de servicios
                                      3. Seguridad: Apache Knox, Ranger y Sentry

                                      1. Herramientas de visualización: Tableau y CartoDB
                                      2. Librerías de Visualización: D, Leaflet, Cytoscape

                                      1. Machine Learning
                                      2. Clasificación de algoritmos de aprendizaje automático
                                      3. Ejemplos de aprendizaje automático
                                      4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
                                      5. Tipos de algoritmos de aprendizaje automático
                                      6. El futuro del aprendizaje automático

                                      1. Introducción
                                      2. Algoritmos

                                      1. Introducción
                                      2. Filtrado colaborativo
                                      3. Clusterización
                                      4. Sistemas de recomendación híbridos

                                      1. Clasificadores
                                      2. Algoritmos

                                      1. Componentes
                                      2. Aprendizaje

                                      1. Introducción
                                      2. El proceso de paso de DSS a IDSS
                                      3. Casos de aplicación

                                      1. Aprendizaje profundo
                                      2. Entorno de Deep Learning con Python
                                      3. Aprendizaje automático y profundo

                                      1. Redes neuronales
                                      2. Redes profundas y redes poco profundas

                                      1. Entrada y salida de datos
                                      2. Entrenar una red neuronal
                                      3. Gráficos computacionales
                                      4. Implementación de una red profunda
                                      5. El algoritmo de propagación directa
                                      6. Redes neuronales profundas multicapa

                                      1. Orígenes del Cloud Computing
                                      2. Qué es cloud computing
                                      3. Características del cloud computing
                                      4. La nube y los negocios
                                      5. Modelos básicos en la nube

                                      1. Virtualización
                                      2. Categorías de virtualización
                                      3. Cloud storage
                                      4. Proveedores fiables de cloud storage

                                      1. Servicios Cloud para el Usuario
                                      2. Escritorio virtual o VDI
                                      3. Servicio de centro de datos remoto

                                      1. Evolución de las tecnologías móviles
                                      2. Redes inalámbricas
                                      3. La era post-PC
                                      4. Smartphones
                                      5. Tablets
                                      6. Plataformas para dispositivos móviles
                                      7. Aplicaciones móviles y categorización
                                      8. Sincronización de datos

                                      1. Tipos de modelos
                                      2. IaaS
                                      3. PaaS
                                      4. SaaS
                                      5. Otros modelos comerciales

                                      1. Qué es una nube híbrida
                                      2. Ventajas e inconvenientes de las nubes híbridas
                                      3. Aspectos clave en la implantación de una nube híbrida
                                      4. Evaluación de alternativas para el establecimiento de una nube híbrida