Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, relacionados con el uso del ambiente de desarrollo Google Colaboratory, con la instalación de herramientas Hadoop y Spark o con la utilización de la API para el almacenamiento y procesamiento de big data.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Introducción a big data
• Instalación de herramientas Hadoop

• Hadoop MapReduce
• Apache Hive
• Apache Pig

• Programación en Apache Spark

• Apache Flume
• Spark Streaming
• Spark SQL

• Spark MLLIB: algoritmos supervisados
• Spark MLLIB: algoritmos no supervisados

• Reducción de dimensionalidad