1. Presentación al pensamiento computacional
  2. ¿Qué es y para qué se usa pensamiento computacional?
  3. ¿Quiénes deben de aprender el pensamiento computacional?

  1. Pensamiento analítico
  2. Razonamiento aproximado, conceptual, convergente, divergente, sistemático, synvergente

  1. Proceso, conceptos y actitudes del pensamiento computacional
  2. Proceso de simulación
  3. Concepto y procesos de paralelismo automatización
  4. Trabajo en equipo en el pensamiento computacional

  1. Abstracción en pensamiento computacional
  2. Descomprimir los elementos
  3. Proceso de evaluación de pensamiento computacional

  1. Posibles problemas
  2. Datos relacionados con de entrada y salida en el pensamiento
  3. Solución al problema

  1. ¿Qué es Big Data?
  2. Paradigmas de procesamiento en Big Data
  3. Las 8 V de Big Data (Volumen, Volatilidad, Variedad, Valor, Velocidad, Variabilidad, Veracidad, Validez)

  1. MapReduce
  2. Hadoop
  3. Apache Hadoop YARN
  4. Agregación de los logs de YARN
  5. Obtención de datos en HDFS
  6. Planificación de un cluster Hadoop
  7. Instalación y configuración de Hive, Pig e Impala
  8. Clientes Hadoop incluidos en Hue
  9. Configuración avanzada de un cluster
  10. Seguridad Hadoop
  11. Gestión de recursos
  12. Mantenimiento de un cluster
  13. Solución de problemas y monitorización de un cluster

  1. Data Science
  2. Apache Spark
  3. Machine Learning
  4. Apache Spark MLlib

  1. Datasets y Dataframes
  2. Operaciones en Dataframe
  3. Trabajar con Dataframes y Schemas
  4. Crear Dataframes a partir de Data Sources
  5. Guardar DataFrames en Data Sources
  6. DataFrame Schemas
  7. Rapidez y lentitud de ejecución
  8. Análisis de datos con consultas de DataFrame
  9. RDD
  10. Transformación de datos con RDDs
  11. Agregación de datos con Pair RDDs
  12. Consulta y vistas de tablas con Spark SQL
  13. Creación, configuración y ejecución de aplicaciones Spark
  14. Procesamiento distribuido
  15. Persistencia de datos distribuidos
  16. Patrones comunes al procesar datos con Spark
  17. Spark Streaming: Introducción a DStreams
  18. Spark Streaming: procesamiento de múltiples lotes
  19. Apache Spark Streaming: Data Sources

  1. Introducción a Pig
  2. Análisis de datos básico con Pig
  3. Procesado de datos complejos con Pig
  4. Operaciones con multiconjuntos de datos con Pig
  5. Troubleshooting y optimización de Pig
  6. Introducción a Hive e Impala
  7. Consultas con Hive e Impala
  8. Administración de datos
  9. Almacenamiento y datos de rendimiento
  10. Análisis de datos relacional con Hive e Impala
  11. Datos complejos con Hive e Impala
  12. Análisis de texto con Hive e Impala
  13. Optimización Hive
  14. Optimización de Impala
  15. Extendiendo Hive e Impala

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos

  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional

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

  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO

  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. Introducción
  2. Conceptos básicos sobre computadores
  3. Componentes de un computador
  4. Software de un computador
  5. Parámetros característicos del computador digital
  6. Clasificación de los computadores
  7. Breve historia de los computadores
  8. Estudio de los computadores
  9. Computación Científica en supercomputadores

  1. Introducción
  2. Resolución de problemas
  3. Lenguajes de programación
  4. Herramientas de cálculo numérico

  1. Introducción
  2. Acceso a MATLAB
  3. Introducción de matrices
  4. Operaciones sobre matrices y componentes de matrices
  5. Expresiones y variables
  6. El espacio de trabajo
  7. Funciones para construir matrices
  8. Control de flujo programando en MATLAB
  9. Funciones escalares
  10. Funciones vectoriales
  11. Funciones matriciales
  12. Generación de submatrices
  13. Ficheros .M
  14. Entrada y salida de texto
  15. Medidas de eficiencia de algoritmos
  16. Formato de salida
  17. Gráficos en dos dimensiones
  18. Gráficos en tres dimensiones
  19. Elaboración de programas en MATLAB

  1. Introducción
  2. Representación interna de números
  3. Errores debidos a la representación interna de los números
  4. Errores en la realización de operaciones
  5. Algoritmos estables e inestables. Condicionamiento de un problema
  6. Ejercicios complementarios

  1. Introducción
  2. Método de bisección o bipartición
  3. Método de interpolación lineal o Regula Falsi
  4. Método de aproximaciones sucesivas o punto fijo
  5. Método de Newton-Raphson
  6. Método de la secante
  7. Criterios de convergencia para los métodos iterativos
  8. Dificultades a la hora de calcular las raíces de una función
  9. Cálculo de ceros de polinomios
  10. Ejercicios complementarios

  1. Introducción
  2. Métodos directos
  3. Métodos iterativos
  4. Comparación entre métodos iterativos y directos
  5. Introducción a los sistemas de ecuaciones algebraicas no lineales
  6. Ejercicios complementarios

  1. Introducción
  2. Interpolación polinomial
  3. Aproximación por polinomios
  4. Introducción a la interpolación por funciones racionales
  5. Ejercicios complementarios

  1. Introducción
  2. Diferenciación numérica
  3. Integración numérica
  4. Ejercicios complementarios

  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-SVN
  2. 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. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting
  4. Aspectos legales en Protección de Datos

  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL. Una base de datos relacional

  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. Introducción
  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. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón

  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python

  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