j
Nuevo programa
Deseo recibir más información

Diplomado en ingeniería Big Data y fundamentos de arquitectura + certificación internacional

Para realizar su inscripción y/o pago electrónico, haga clic aquí.
Información básica fechas
Fecha de inicio
Fecha de finalización
Información básica horario
Horario
VIRTUAL - 80 HORAS
Martes y jueves 6:00 p.m. a 10:00 p.m.
En contacto
María Fernanda Bastos Suárez

María Fernanda Bastos Suárez

Asistente Profesional
whatsappCelular: 317 3980313

Información básica inversión
Inversión
1950000 COP
Inversión en dólares sujeto a TRM
500 USD

Te invitamos a conocer todas las características y alcance de todos nuestros programas.

En nuestro canal de youtube puedes encontrar contenido que te ayudaran a tomar la mejor elección para actualizarte.

YouTube

Descripción

Siendo conocedores de la necesidad de recopilación, almacenamiento y clasificación de datos, uno de los recursos digitales más valiosos en los entornos tecnológicos y que ayuda en grandes magnitudes al crecimiento de las industrias de muchos sectores, es necesario contar con profesionales que sean capaces de crear y desarrollar mecanismos y métodos de recolección y análisis de los mismos para que las organizaciones y empresas puedan contar con herramientas altamente eficientes que aporten al fortalecimiento de sus organizaciones.

 

  1. ¿Por qué es importante este curso? Teniendo en cuenta el incremento y la importancia para las compañías de realizar  recolección de datos con el objetivo principal de analizar y procesar dicha información para la contribución de su crecimiento, es necesario contar con profesionales capaces de diseñar modelos y sistemas que permitan el tratamiento de esa información obtenida en altos volúmenes de diferentes tipos y fuentes, transformándola en información útil a las compañías para la toma de mejores y más eficientes decisiones.
  2. ¿Cómo mejora la labor profesional de los participantes? El campo de Big Data ha tenido un incremento significativo en los últimos años, lo que ha generado una gran demanda de vacantes laborales donde se requiere este conocimiento.  Estudiar Big Data da la posibilidad de oportunidades laborales a largo, mediano y corto plazo, teniendo en cuenta que tienen una tendencia de crecimiento en los próximos años, aún mayor a la actual.
  3. ¿Qué problema soluciona? Con su exponencial crecimiento en la industria del tema del Big Data, se ha generado un déficit entre la oferta y la demanda de profesionales del sector. 
  4. ¿cuáles son los valores agregados o diferenciadores del programa? El método de aprendizaje permite tener el conocimiento detallado, así como realizar prácticas que permitan solucionar los problemas que puedan presentarse en la realidad.

 

Dirigido a
- Cualquier profesional de TI interesado en aprender sobre entornos de big data y análisis de datos fundamentales.
- Personas de las áreas estratégicas de la empresa, como marketing o gestión de clientes, que necesiten identificar nuevas oportunidades de Negocio, acceso a clientes, productos y mercados.
- Personas que trabajen con grandes volúmenes de datos e información estructurada o no estructurada

Módulo 1: Fundamentos de Big Data

Cómo entender Big Data

Imagen eliminada.  Terminología y conceptos fundamentales

Imagen eliminada.  Factores tecnológicos y de negocio de Big Data

Imagen eliminada.  Características de los datos en los ambientes de Big Data

Imagen eliminada.  Tipos de conjuntos de datos en los ambientes de Big Data

Imagen eliminada.  Análisis y analíticas fundamentales

Imagen eliminada.  Tipos de Machine Learning

Imagen eliminada.  Inteligencia de negocios y Big Data

Imagen eliminada.  Visualización de datos y Big Data

Imagen eliminada.  Consideraciones para la adopción y planeación de Big Data

 

Módulo 2: Conceptos de Análisis y Tecnología de Big Data

Imagen eliminada.  Ciclo de vida del análisis de Big Data (desde la evaluación del caso de negocio hasta el análisis de los datos y la visualización)

Imagen eliminada.  Pruebas A/B, correlación

Imagen eliminada.  Regresión, mapas de calor

Imagen eliminada.  Análisis de series temporales

Imagen eliminada.  Empresa tradicional

Imagen eliminada.  Análisis de redes

Imagen eliminada.  Análisis de datos espaciales

Imagen eliminada.  Clasificación, agrupamiento

Imagen eliminada.  Filtrado (incluyendo filtrado colaborativo y filtrado basado en contenido)

Imagen eliminada.  Análisis de sentimientos, analíticas de textos

Imagen eliminada.  Cómo procesar las cargas de trabajo, Clusters

Imagen eliminada.  Computación en la nube y Big Data

Imagen eliminada.  Mecanismos fundamentales de tecnología de Big Data

 

Módulo 3: Laboratorio de Análisis y Tecnología de Big Data

Ejercicios de resolución de problemas para entender cómo funcionan los ambientes de Big Data en la realidad

 

Módulo 4: Fundamentos de Análisis y Ciencia de Big Data

Imagen eliminada.  Ciencia de datos, minería de datos y modelado de datos

Imagen eliminada.  Categorías de conjuntos de datos de Big Data

Imagen eliminada.  Alto volumen, alta velocidad, alta variedad, alta veracidad, conjuntos de datos de alto valor

Imagen eliminada.  Análisis exploratorio de datos (EDA)

Imagen eliminada.  Resúmenes numéricos de EDA, reglas y reducción de datos

Imagen eliminada.  Tipos de análisis de EDA, incluyendo univariante, bivariante y multivariante

Imagen eliminada.  Estadísticas esenciales, incluyendo categorías variables y matemáticas relevantes

Imagen eliminada.  Análisis estadísticos, incluyendo descriptivo, inferencial, covarianza, pruebas de hipótesis, etc.

Imagen eliminada.  Medidas de variación o dispersión, rango intercuartil y atípicos, puntuación Z, etc.

Imagen eliminada.  Probabilidad, frecuencia, estimadores estadísticos, intervalo de confianza, etc.

Imagen eliminada.  Manipulación de datos y Machine Learning

Imagen eliminada.  Variables y notaciones matemáticas básicas

Imagen eliminada.  Medidas e inferencia estadísticas

Imagen eliminada.  Análisis confirmatorio de datos (CDA)

Imagen eliminada.  Prueba de hipótesis CDA, hipótesis nula, hipótesis alternativa, significancia estadística, etc.

Imagen eliminada.  Distribuciones y técnicas de procesamiento de datos

Imagen eliminada.  Discretización de datos, Binning y agrupamiento

Imagen eliminada.  Técnicas de visualización, incluyendo gráfica de barras, gráfica de líneas, histograma, polígonos de frecuencia, etc.

Imagen eliminada.  Predicción de regresión lineal, error cuadrático medio y coeficiente de  determinación R2, etc.

Imagen eliminada.  Agrupamiento K-medias, distorsión del agrupamiento, valores de características faltantes, etc.

Imagen eliminada.  Resúmenes numéricos

 

Módulo 5: Análisis y Ciencia de Big Data Avanzados

Imagen eliminada.  Modelado, evaluación de modelos, ajuste de modelos y sobreajuste de modelos

Imagen eliminada.  Modelos estadísticos, medidas de evaluación de modelos

Imagen eliminada.  Validación cruzada, sesgo-varianza, matriz de confusión y puntuación F

Imagen eliminada.  Algoritmos de Machine Learning e identificación de patrones

Imagen eliminada.  Reglas de asociación y algoritmo Apriori

Imagen eliminada.  Reducción de datos, selección de la dimensión de las características

Imagen eliminada.  Extracción de datos, discretización de los datos (Binning y agrupamiento)

Imagen eliminada. Técnicas estadísticas avanzadas

Imagen eliminada.  Paramétrico versus no paramétrico,agrupamiento versus no agrupamiento

Imagen eliminada.  Basado en distancia, supervisado versus semisupervisado

Imagen eliminada.  Regresión lineal y regresión logística para Big Data

Imagen eliminada.  Reglas de clasificación para Big Data

Imagen eliminada.  Regresiones logísticas, Naïve Bayes, Suavizamiento de Laplace, etc.

Imagen eliminada.  Árboles de decisiones para Big Data

Imagen eliminada.  Poda de árboles, división de características,algoritmo de una regla (1R)

Imagen eliminada.  Identificación de patrones, reglas de asociación, algoritmo Apriori

Imagen eliminada.  Análisis de series de tiempo, tendencia, estacionalidad

Imagen eliminada.  K-vecinos cercanos (kNN), K-medias

Imagen eliminada.  Analíticas de texto para Big Data 

Imagen eliminada.  Bolsa de palabras, frecuencia de términos,  frecuencia de documentos inversos, distancia de coseno, etc.

Imagen eliminada.  Detección de atípicos para  Big Data

Imagen eliminada.  Técnica estadística, basada  en distancia, supervisada y semisupervisada

 

Módulo 6: Laboratorio de Análisis y Ciencia de Big Data

 Ejercicios prácticos para afianzar y los conocimientos adquiridos en los módulos 4 y 5.

 

Módulo 7: Fundamentos de Ingeniería de Big Data

Imagen eliminada.  Técnicas y retos de ingeniería de Big Data

Imagen eliminada.  Almacenamiento de Big Data, incluyendo fragmentación, replicación, teorema de CAP, ACID y BASE

Imagen eliminada.  Maestro-esclavo, replicación entre pares, combinación entre replicación y fragmentación

Imagen eliminada.  Requerimientos de almacenamiento de Big Data, escalabilidad, redundancia y disponibilidad

Imagen eliminada.  Acceso rápido, almacenamiento a largo plazo, almacenamiento sin esquema y almacenamiento económico

Imagen eliminada.  Almacenamiento en disco,  incluyendo sistema de archivos distribuidos y bases de datos

Imagen eliminada.  Introducción a NoSQL y  NewSQL 

Imagen eliminada.  Racional NoSQL y características

Imagen eliminada.  Tipos de bases de datos NoSQL, incluyendo clave- valor, documento,columna- familia y bases de datos gráficas

Imagen eliminada.  Motores de procesamiento de Big Data

Imagen eliminada.  Procesamiento de datos distribuido/paralelo, procesamiento de datos sin esquema

Imagen eliminada.  Soporte multi carga de trabajo, escalabilidad lineal  y tolerancia a fallas

Imagen eliminada.  Requerimientos de procesamiento de Big Data, incluyendo modos por  lotes, Cluster y en tiempo real

Imagen eliminada.  MapReduce para procesamiento de Big Data, incluyendo mapa,  combinar, partición, barajar y ordenar y reducir

Imagen eliminada.  Diseño de algoritmos MapReduce

Imagen eliminada.  Paralización de tareas, paralización de datos

 

Módulo 8: Ingeniería de Big Data Avanzada

Imagen eliminada.  Mecanismos avanzados de ingeniería de Big Data  Motores de serialización  y compresión

Imagen eliminada.  Dispositivos de almacenamiento en memoria

Imagen eliminada.  Mallas de datos en  memoria y Bases de datos  en memoria

Imagen eliminada.  Enfoques de integración  Read-Through, Read-  Ahead, Write-Through and Write-Behind

Imagen eliminada.  Persistencia políglota

Imagen eliminada.  Explicación, problemas y recomendaciones

Imagen eliminada.  Procesamiento de Big Data en tiempo real

Imagen eliminada.  Volumen de la consistencia de la velocidad (SCV)

Imagen eliminada.  Procesamiento del flujo de eventos (ESP)

Imagen eliminada.  Procesamiento de flujos compuestos (CEP)

Imagen eliminada.  El principio SCV

Imagen eliminada.  Procesamiento general de Big Data en tiempo real y MapReduce

Imagen eliminada.  Diseños avanzados de algoritmos MapReduce

Imagen eliminada.  Motor de procesamiento  paralelo sincrónico (BSP)  masivo

Imagen eliminada.  BSP versus MapReduce

Imagen eliminada.  Paralelo sincrónico BSP

Imagen eliminada.  Datos de grafos y procesamiento de datos de grafos con el uso de BSP (Superpasos)

Imagen eliminada.  Canales de Big Data, incluyendo definición y etapas

Imagen eliminada.  Big Data con Extracción-  carga-transformación (ELT)

Imagen eliminada.  Caracteríticas de las  soluciones de Big Data, consideraciones de diseño  y proceso de diseño

 

Módulo 9: Laboratorio de Ingeniería de Big Data

Laboratorio práctico con ejercicios que refuerzan los conocimientos aprendidos en los módulos 7 y 8.

 

Módulo 10:Fundamentos de Arquitectura de Big Data

Motores de seguridad,  administradores de grupo y administradores de la gobernaza de datos

Motores de visualización y  portales de productividad

Modelos arquitectónicos de procesamiento de datos a nivel máquina

Arquitecturas todo-compartido y nada-compartido

Arquitectura lógica de analíticas de Big Data

Fuentes de datos y capas de adquisición de datos

Capas de almacenamiento, procesamiento y por lotes

Procesamiento en tiempo real, incluyendo flujo de eventos y procesamiento de flujos complejos

Enfoques de bodega de datos empresariales e integración de Big Data (incluyendo series y paralelo)

Poly Source, incluyendo fuentes relacionales, de flujo, y basadas en archivos

Poly Storage, incluyendo replicación automática de datos y reducción de tamaño de los datos

Almacenamiento de  acceso aleatorio, incluyendo alto volumen binario, tabular, vinculado, jerárquico y fragmentación de datos

Procesamiento de lotes a gran escala, descomposición compleja y  procesamiento de abstracción

Poly Sink, incluyendo Sink relacional, Sink basado en archivos y ejecución automatizada de conjuntos de datos

Dispositivo de Big Data y virtualización de datos

Ambientes arquitectónicos, incluyendo ETL

Motores de analíticas y enriquecimiento de aplicaciones

Computación en la nube y consideraciones  arquitectónicas de Big Data

Modelos de entrega y despliegue en nube para el hospedaje de soluciones de Big Data

Información Adicional

Proceso de Matrícula y Financiación

Formulario

Formulario
Formulario

Empieza por diligenciar el formulario de inscripción. Una vez recibas tu solicitud, automáticamente se generará una orden de pago, la cual será enviada por correo electrónico.

Ir al formulario

Matrícula presencial

Matrícula presencial
Matrícula presencial

Dirígete a las oficinas de la División de Educación Continuada, Av. Cra. 9 No. 131 A - 02 Edificio Fundadores, Centro de Servicios Integrales, Primer piso, Mezannine, y proporcionar los siguientes datos:

  • Nombre completo
  • Tipo de Documento
  • Número de Documento
  • Fecha de Nacimiento
  • Teléfono Fijo
  • Teléfono Móvil
  • Email
  • Programa de interés

Métodos de pago

Financiación
Métodos de pago

Conoce las opciones de financiación, formas de pago, descuentos y beneficios para formalizar la inscripción.

Métodos de financiación
Directo por la Universidad El Bosque, Cheques Posfechados.

Entidades bancarias
Sufi Bancolombia, Grupo Helm Bank, Banco Pichincha, Fincomercio, Financiar.

Formas de pago 
Efectivo, Pagos en línea PSE, Tarjeta de crédito Visa o Master Card, Patrocinios.

Descuentos
15% Comunidad El Bosque, 10% Descuentos grupales (3 participantes), 10% Participantes de otros programas, 10% Cónyuges e hijos funcionarios de la Universidad El Bosque.
* Los descuentos no son acumulables

Inscripciones

Pagos en línea

Pagos en línea
Pagos en línea

Puedes diligenciar el pago de tu recibo en nuestra plataforma con PSE.

Pagos en línea

Requisitos

Requisitos
Requisitos

Una vez realizado el pago, deberás hacer llegar el comprobante y los siguientes documentos por medio de correo electrónico o acercándote a las oficinas de la División de Educación Continuada:

  • Fotocopia de la Cédula
  • Fotocopia del Carné de la E.P.S.
  • Fotocopia del diploma profesional o acta de grado

Importante

La Universidad podrá cancelar el programa seleccionado, cuando no haya un número mínimo de participantes, y procederá a tramitar la devolución del dinero recibido. También podrá posponer la realización del programa por razones de fuerza mayor. En este caso se informará a las personas preinscritas la nueva fecha programada. El medio de contacto será a través de los medios suministrados en el momento de la inscripción.

Institución de educación superior sujeta a inspección y vigilancia por el Ministerio de Educación Nacional.

Curso
Evento