Temas cubiertos

• Cómo entender Big Data
• Terminología y conceptos fundamentales de Big Data
• Factores de negocio y factores tecnológicos de Big Data
• Tecnologías empresariales tradicionales relacionadas con Big Data
• OLTP, OLAP, ETL y Bodegas de datos digitales en relación con Big Data
• Características de los datos en los ambientes de Big Data
• Tipos de conjuntos de datos en los ambientes de Big Data
• Datos estructurados, no estructurados y semiestructurados

• Veracidad de datos y metadatos
• Fundamentos de análisis y analítica
• Análisis cuantitativo y cualitativo
• Tipos de Machine Learning
• Analítica descriptiva y diagnóstica
• Analítica predictiva y prescriptiva
• Inteligencia de negocios (BI) y Big Data
• Visualización de datos y Big Data
• Consideraciones sobre la planeación y adopción de Big Data

Temas cubiertos

• Ciclo de vida del análisis de Big Data (de Evaluación del caso empresarial a Análisis y visualización de datos)
• Pruebas A/B y Correlación
• Regresión y Mapas de calor
• Análisis de series temporales
• Análisis de redes y Análisis de datos espaciales
• Clasificación y Agrupamiento
• Filtrado, incluyendo Filtrado colaborativo y Filtrado basado en contenido
• Clusters y Cargas de trabajo de procesamiento por lotes y transaccionales

• Análisis de sentimientos y Analítica de texto
• Cómo se relaciona la Computación en la Nube con Big Data
• Mecanismos tecnológicos fundacionales de Big Data
• Dispositivos de almacenamiento y Motores de procesamiento de Big Data
• Gestores de recursos, Motores de transferencia de datos y Motores de consultas
• Motores analíticos, Motores de flujo de trabajo, Motores de coordinación

Temas cubiertos

• Evaluación del caso de negocio (incluyendo Evaluación de la madurez organizacional, Definición de KPIs, etc.)
• Identificación de datos (incluyendo Plantilla de metadatos de conjuntos de datos, Categorización de fuentes de datos, etc.)
• Entrada de datos (incluyendo Umbral de volumen y velocidad de datos, Control de versiones de lógica de entrada, etc.)
• Almacenamiento de datos en bruto (incluyendo Formación de lagos de datos, Plantilla de procedencia y linaje de datos, etc.)
• Limpieza y validación de datos (incluyendo Definición del modelo de datos, Notificación de inconsistencias en los datos, etc.)
• Etiquetado de datos (incluyendo Taxonomía de clases de datos, Automatización de clasificación de datos, etc.)

• Saneamiento de datos (incluyendo Plantilla de desidentificación de datos, Centralización de la lógica de desidentificación de datos, etc.)
• Transformación de datos (incluyendo Modelos de datos de entrada y salida, Análisis del costo de la transformación de datos, etc.)
• Almacenamiento de datos procesados (incluyendo Formación de almacenes de datos, Medición del acceso a datos, etc.)
• Análisis de datos (incluyendo Habilitación de servicios de análisis, Control del acceso de visualización, etc.)
• Utilización de datos (incluyendo Clasificación de sensibilidad de insights, Gestión de cambios de visualizaciones, etc.)

Temas cubiertos

• Entrada (incluyendo Evaluación de restricciones de acceso a datos de origen, Análisis de uso de datos descendentes, etc.)
• Lago de datos (incluyendo Plantilla de compresión de datos, Definición del ciclo de vida del almacenamiento de datos, etc.)
• Procesamiento (incluyendo Estandarización del motor de procesamiento, Automatización de escalamiento de clústeres, etc.)
• Almacén de datos (incluyendo Cumplimiento bajo demanda de la solicitud de acceso a sujetos, Control de versiones de modelos de Machine Learning basados en SQL)
• Definición del problema (incluyendo Evaluación del riesgo de adopción, Asignación del presupuesto del proyecto)
• Identificación de datos (incluyendo Cumplimiento de la regulación de datos organizacionales, Análisis de la sensibilidad de los datos, etc.)
• Extracción de datos (incluyendo Política de extracción de datos, Acceso automatizado a datos, etc.)
• Análisis de datos exploratorio (EDA) (incluyendo Notificación de discrepancia de datos, Registro de estadísticas de resumen, etc.)

• Validación de datos (incluyendo Umbral estadístico de desviación de huellas dactilares, Automatización de la lógica de validación de datos, etc.)
• Preparación de datos (incluyendo Guías de ingeniería de características, Automatización de pruebas unitarias de la lógica de preparación de datos, etc.)
• Entrenamiento de modelos (incluyendo Criterios de selección de algoritmos, Registro de métricas de entrenamiento, etc.)
• Pruebas de modelos (incluyendo Umbral de aprobación de modelos, Automatización de pruebas de modelos, etc.)
• Despliegue de modelos (incluyendo Reglas de cambio de versiones de modelos, Evaluación de dependencias de ejecución de modelos, etc.)
• Monitoreo de modelos (incluyendo Notificación de degradación del rendimiento del modelo, Revisión del rendimiento del modelo, etc.)
• Reentrenamiento de modelos (Detonantes de reentrenamiento de modelos y Registro de metadatos de reentrenamiento de modelos)

Temas cubiertos