Curriculum
- 2 Sections
- 2 Lessons
- 52 Weeks
Expand all sectionsCollapse all sections
- Módulo 4: Fundamentos de Análisis y Ciencia de Big Data
Se cubren los siguientes temas principales:
- Ciencia de datos, minería de datos y modelado de datos
- Categorías de conjuntos de datos de Big Data
- Conjuntos de datos de alto volumen, alta velocidad, alta variedad, alta veracidad, alto valor
- Análisis exploratorio de datos (EDA)
- Resúmenes numéricos de EDA, reglas y reducción de datos
- Tipos de análisis de EDA, incluyendo univariante, bivariante y multivariante
- Estadísticas esenciales, incluyendo categorías variables y matemáticas relevantes
- Análisis estadísticos, incluyendo descriptivo, inferencial, covarianza, pruebas de hipótesis, etc.
- Medidas de variación o dispersión, rango intercuartil y valores atípicos, puntuación Z, etc.
- Probabilidad, frecuencia, estimadores estadísticos, intervalo de confianza, etc.
- Manipulación de datos y Machine Learning
- Variables y notaciones matemáticas básicas
- Medidas estadísticas e inferencia estadística
- Análisis confirmatorio de datos (CDA)
- Prueba de hipótesis CDA, hipótesis nula, hipótesis alternativa, significancia estadística, etc.
- Distribuciones y técnicas de procesamiento de datos
- Discretización de datos, Binning y agrupamiento
- Técnicas de visualización, incluyendo gráfica de barras, gráfica de líneas, histograma, polígonos de frecuencia, etc.
- Predicción de regresión lineal, error cuadrático medio y coeficiente de determinación R2, etc.
- Agrupamiento K-medias, distorsión del agrupamiento, valores de características faltantes, etc.
- Resúmenes numéricos
1 - Módulo 5: Análisis y Ciencia de Big Data Avanzados
Se cubren los siguientes temas principales:
- Modelado, evaluación de modelos, ajuste de modelos y sobreajuste de modelos
- Modelos estadísticos, medidas de evaluación de modelos
- Validación cruzada, sesgo-varianza, matriz de confusión y puntuación F
- Algoritmos de Machine Learning e identificación de patrones
- Reglas de asociación y algoritmo Apriori
- Reducción de datos, selección de la dimensión de las características
- Extracción de datos, discretización de los datos (Binning y agrupamiento)
- Técnicas estadísticas avanzadas
- Paramétrico versus no paramétrico, agrupamiento versus no agrupamiento
- Basado en distancia, supervisado versus semisupervisado
- Regresión lineal y regresión logística para Big Data
- Reglas de clasificación para Big Data
- Regresiones logísticas, Naïve Bayes, Suavizamiento de Laplace, etc.
- Árboles de decisiones para Big Data
- Poda de árboles, división de características, algoritmo de una regla (1R)
- Identificación de patrones, reglas de asociación, algoritmo Apriori
- Análisis de series de tiempo, tendencia, estacionalidad
- K-vecinos cercanos (kNN), K-medias
- Analíticas de texto para Big Data
- Bolsa de palabras, frecuencia de términos, frecuencia de documentos inversos, distancia de coseno, etc.
- Detección de datos atípicos para Big Data
- Técnicas estadísticas, basadas en distancia, supervisadas y semisupervisadas
1