Unidad 1: Adquisición y dominio de conceptos básicos y de
conocimientos sobre los avances en Big Data.

1. Cómo evoluciona el BI tradicional al Big Data (navegación
web, geolocalización, audiencias tv, etc.)
1.1. Ejemplos y casos representativos (navegación web,
geolocalización, audiencias tv, etc.)
2. El Big Data como solución al tratamiento masivo de datos:
definición e historia desde su invención
2.1.Aplicaciones empresariales clave: sectores y áreas
donde Big Data ha marcado la diferencia
3. Hadoop como revolución para el tratamiento paralelo de
datos masivo
3.1. HDFS y MapReduce
4. Características del Big Data (4Vs y más): volumetría,
velocidad, variedad, veracidad (calidad del dato), valor del
dato, etc.
4.1.Volumetría, velocidad, variedad y veracidad: ejemplos
prácticos
4.2. El valor del dato como ventaja competitiva
5. Nuevos paradigmas del Big Data: procesos en real time y
cloud computing
5.1. Procesos en real time: entender los macrodatos en
tiempo real
5.2.Cloud computing como habilitador del Big Data:
beneficios, desafíos y ejemplos de su implementación

Unidad 2: Conocimiento de nociones básicas sobre
arquitectura Big Data y principales tecnologías.

1. El ecosistema Hadoop: HDFS y MapReduce
1.1. HDFS: fundamentos y almacenamiento distribuido
1.2. MapReduce: modelo de procesamiento paralelo
2. Principales lenguajes de programación utilizados: Java,
Scala, SQL y Python
2.1. Java y Scala: principales usos y casos de ejemplo
2.2.SQL y Python: principales usos y casos de ejemplo
3. Procesos ETL (Extracción, Transformación y Carga): Flume,
Sqoop y Hive
3.1. El uso de Flume y Sqoop como herramientas principales
3.2. Hive como herramienta para el análisis de datos
4. Procesos real time y bases de datos de alta disponibilidad:
Kafka, HBase y Redis
4.1.Kafka: gestión de datos en tiempo real
4.2. HBase y Redis: bases de datos distribuidas y de alta
disponibilidad
5. Procesamiento y analítica avanzada con Spark
6. Seguridad y gobierno del dato

Unidad 3: Comprensión de los principales conceptos sobre la
Ciencia de Datos e IA.

1. Introducción a la Ciencia de Datos y la Inteligencia Artificial
1.1. Principales diferencias entre Ciencia de Datos y Big Data
2. Principales lenguajes de programación utilizados: R y Python
2.1. Python: librerías específicas para IA y Ciencia de Datos
3. Algoritmos supervisados: ¿qué son? algunos ejemplos
3.1.Regresión lineal y árboles de decisión
4. Algoritmos no supervisados: ¿qué son? algunos ejemplos
5. Introducción al Deep Learning y al Aprendizaje por Refuerzo
5.1.Redes neuronales profundas: conceptos básicos
6. Procesamiento de información no estructurada: imágenes y
textos
6.1. Herramientas para el procesamiento de información no
estructurada
7. Visualización de datos: visualizaciones interactivas y
dashboards