Este módulo proporciona una vista general profunda de las áreas temáticas esenciales relacionadas con las técnicas de ciencia de datos y análisis relevantes y únicas de Big Data, con énfasis en cómo necesitan realizarse los análisis y las analíticas tanto individual como colectivamente, en soporte a las distintas características, requerimientos y retos asociados con los conjuntos de datos 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

Este módulo profundiza en una variedad de prácticas de análisis de datos y técnicas de análisis avanzadas que se exploran en el contexto de Big Data. El contenido del curso se enfoca en temas que permiten a los participantes desarrollar una comprensión profunda de las técnicas estadísticas, de modelado y de análisis para patrones de datos, grupos y analíticas de texto, así como la identificación de valores atípicos y errores que afectan la significación y la precisión de las predicciones hechas con los conjuntos de datos de Big Data.

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