Especialización en Big Data y Analítica de Datos

Plan de Estudios

• Módulo Nivelatorio (2 cursos):

  Objetivo: Proporcionar a los estudiantes las bases fundamentales de programación en Python y conceptos estadísticos esenciales...

  • Curso 1. Fundamentos de Programación con Python
    • Introducción a la Programación con Python
    • Variables, Tipos de Datos y Operaciones Básicas
    • Operadores y Expresiones
    • Estructuras de Control
    • Funciones y Programación Modular
    • Programación Orientada a Objetos
  • Curso 2. Estadística Aplicada al Proceso Empresarial
    • Estadística descriptiva
    • Medidas de tendencia central, posición, dispersión y forma
    • Representación gráfica de los datos
    • Relación entre variables
    • Probabilidad básica y distribuciones de probabilidad
    • Inferencia

• Cuatrimestre I:

  • Fundamentos de Big Data

    Objetivo: Comprender los conceptos fundamentales, arquitecturas y tecnologías del ecosistema de Big Data...

    • Introducción al ecosistema Big Data y sus características (5Vs)
    • Arquitecturas y frameworks de procesamiento distribuido (Hadoop, Spark)
    • Tipos de datos y fuentes de información masiva
    • Infraestructura y almacenamiento para Big Data
    • Inteligencia Artificial para el análisis de datos masivos
    • Aspectos éticos y privacidad en el manejo de datos masivos
    • Aplicaciones de Big Data en diferentes sectores (salud, finanzas, marketing, etc.)
  • Diseño de Bases de Datos NoSQL

    Objetivo: Desarrollar competencias en el diseño e implementación de bases de datos no relacionales...

    • Documentales (MongoDB)
    • Clave-Valor (Redis)
    • Columnar (Cassandra)
    • Grafos (Neo4j)
    • Diseño de esquemas y modelado de datos
    • Implementación y gestión
    • Patrones de diseño y mejores prácticas
    • Escalabilidad y replicación en NoSQL
    • Integración de bases NoSQL en arquitecturas de Big Data
  • Limpieza y Transformación de Datos

    Objetivo: Dominar técnicas y herramientas para la preparación, limpieza y transformación de datos...

    • Técnicas de detección y tratamiento de valores atípicos
    • Identificación de datos inconsistentes, duplicados y faltantes
    • Herramientas y lenguajes para la limpieza y transformación de datos (Python, Pandas, Spark)
    • Transformación de datos (normalización, estandarización, agregación)
    • ETL (Extracción, Transformación y Carga)
    • Automatización de procesos de limpieza

• Cuatrimestre II:

  • Estadística Aplicada en Analítica de Datos

    Objetivo: Aplicar métodos estadísticos avanzados para el análisis y la interpretación de grandes volúmenes de datos...

    • Probabilidad y distribuciones estadísticas
    • Inferencia estadística y pruebas de hipótesis
    • Análisis multivariado, Series temporales y pronósticos
    • Muestreo y diseño experimental
    • Análisis de correlación y regresión avanzada
    • Uso de herramientas estadísticas - R o Python (NumPy, SciPy)
    • Visualización de datos con Matplotlib y Seaborn
    • Manejo de data frames con Pandas
  • Machine Learning

    Objetivo: Desarrollar habilidades en la implementación de algoritmos de aprendizaje automático...

    • Tipos de aprendizaje: supervisado, no supervisado y por refuerzo
    • Algoritmos básicos: regresión lineal, árboles de decisión, clustering
    • Técnicas de clustering y reducción de dimensionalidad
    • Validación de modelos y evaluación de rendimiento
    • Deep Learning y redes neuronales
    • Herramientas de Machine Learning (Scikit-learn, TensorFlow, Keras)
    • Evaluación y optimización de modelos
  • Gestión de Proyectos y Aplicaciones Prácticas de Big Data

    Objetivo: Proporcionar estrategias para la planificación, ejecución y control de proyectos de Big Data en entornos empresariales.

    • Metodologías ágiles (Scrum, Kanban) aplicadas a proyectos de datos.
    • Ciclo de vida de un proyecto de Big Data.
    • Evaluación de viabilidad y costos
    • Herramientas de gestión de proyectos
    • Planificación y ejecución de proyectos de Big Data.
    • Casos prácticos y proyectos reales de Big Data.
    • Evaluación de ROI en proyectos de Big Data
    • Implementación de soluciones de Big Data en diferentes entornos.
  • Trabajo de Grado I

    Objetivo: Iniciar el desarrollo de un proyecto de investigación aplicada en Big Data y análisis de datos, enfocándose en la identificación del problema, recolección de información y metodología a utilizar.

    • Planteamiento del problema y objetivos del proyecto
    • Revisión de literatura y antecedentes
    • Definición de la metodología de investigación
    • Identificación de fuentes de datos
    • Elaboración del marco teórico
    • Planificación de entregables y cronograma
    • Recopilación y análisis preliminar de datos.

• Cuatrimestre III

  • Visualización Avanzada de Datos

    Objetivo: Desarrollar habilidades avanzadas en la creación de visualizaciones efectivas y dashboards interactivos para comunicar insights de datos.

    • Principios de diseño visual y percepción
    • Herramientas de visualización:
      • Power BI
      • Tableau
      • Matplotlib
      • Seaborn
    • Storytelling con datos: cómo presentar resultados de manera efectiva.
    • Gráficos avanzados y visualización de datos en tiempo real
    • Evaluación de impacto y usabilidad de visualizaciones
  • Gestión de Big Data en Plataformas Cloud

    Objetivo: Explorar el almacenamiento y procesamiento de datos a gran escala en la nube, utilizando plataformas líderes del mercado.

    • Arquitecturas cloud para Big Data: AWS, Google Cloud, Azure.
    • Implementación de flujos de datos en la nube
    • Servicios específicos para Big Data: Amazon EMR, Google BigQuery, Azure Data Lake.
    • Herramientas de análisis en la nube (EMR, Databricks).
    • Escalabilidad y costos en la nube.
    • Implementación de pipelines de datos en la nube
    • Seguridad y gobernanza de datos en entornos cloud.
    • Casos de uso y tendencias en cloud computing
  • Electiva

    Objetivo: Profundizar en un área de interés específica dentro del campo de Big Data y Analítica de Datos.

    • Reproducibilidad y Agilísimo: Desarrollar competencias avanzadas en la implementación de prácticas de ciencia de datos reproducible y metodologías ágiles, permitiendo la creación de flujos de trabajo automatizados, versionados y escalables que garanticen la calidad y trazabilidad de los proyectos de análisis de datos.
    • Inteligencia Artificial en el Procesamiento Masivo de Datos: Explorar cómo las técnicas de Inteligencia Artificial (IA) pueden mejorar el procesamiento de grandes volúmenes de datos, desde el preprocesamiento hasta la extracción de conocimiento, optimizando tiempos de cómputo y automatizando la toma de decisiones en entornos Big Data. Se abordarán enfoques aplicados a la analítica avanzada en conjuntos de datos de alta dimensión.
    • Seguridad e Integridad de Datos: Desarrollar una comprensión profunda de los principios y prácticas de seguridad en el manejo de datos masivos, implementando estrategias robustas de protección, cumplimiento normativo y gobierno de datos que garanticen la integridad y confidencialidad de la información en entornos de Big Data.
  • Trabajo de Grado II

    Objetivo: Culminar el proyecto de grado con la implementación, análisis de resultados y presentación de conclusiones.

    • Desarrollo e implementación de la solución
    • Evaluación de resultados y validación de hipótesis
    • Documentación y presentación del proyecto
    • Impacto y aplicabilidad del trabajo
    • Presentación y defensa
    • Publicación o divulgación de resultados