Cargando Cursos

Ciencia de Datos: Un Enfoque Práctico en la Era del Big Data (5ª edición)

Código: 19GR18 Granada
31/01/2019 al 22/02/2019

Dirección:
Jorge Casillas Barranquero, Profesor Titular Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.

Lugar de realización
ETS Ingenierías Informática y de Telecomunicación, Universidad de Granada.

Reconocimiento de créditos
Posibilidad de reconocimiento de créditos ECTS OPTATIVOS en los Grados

Este curso podrá ser convalidado por créditos de libre configuración en las titulaciones a extinguir

Justificación del curso y objetivos
Ciencia de Datos es un área de trabajo interdisciplinar que incluye procesos para recopilar, preparar, analizar, visualizar y modelizar datos que permitan generar conocimiento útil para comprender problemas complejos y ayudar en la toma de decisiones. Estos datos con frecuencia son no estructurados y heterogéneos. En muchas ocasiones, se trata de grandes volúmenes de datos que por su complejidad y diversidad requiere de arquitecturas y técnicas innovadoras para extraer conocimiento relevante: es el conocido big data. Ciencia de Datos es un campo emergente con una alta aplicabilidad en ciencias de la salud, marketing, negocios, mercados financieros, transporte, comunicaciones, redes sociales, etc.

Como indica la consultora Gartner (la más prestigiosa en tecnologías de la información), los científicos de datos no son analistas de negocio tradicionales, son profesionales con la rara capacidad para obtener modelos matemáticos a partir de datos que generan beneficios empresariales claros y contundentes. Así, cada vez más se exigen profesionales con habilidades en campos como informática, matemáticas, estadística o negocios que dominen las nuevas tecnologías y sepan gestionar datos. Las empresas de todos los sectores están adoptando cada vez más la Ciencia de Datos, de modo que la demanda de expertos en este sector es enorme; así lo refleja un estudio del MIT Sloan Management Review (2015). Está considerada como una de las mejores oportunidades laborales de los próximos años. Catalogada por el Harvard Business Review como la profesión ‘más sexy del siglo XXI’ (2012). Según un estudio de LinkedIn (2015), el número de profesionales en Ciencia de Datos se ha duplicado en los últimos cuatro años. Otro estudio de Burtch Works (2015) reconoce el impacto positivo en el salario al incluir conocimientos de Ciencia de Datos.

Objetivos:

Los planes de formación universitaria reglada difícilmente reaccionan a oportunidades laborales emergentes. Además, se tiende a delimitar fronteras que dificultan el desarrollo de especialidades híbridas. Este curso pretende iniciar al alumno en el campo de Ciencia de Datos, sirviendo así de puente entre diversas disciplinas y ayudando a completar la formación universitaria con una orientación eminentemente práctica. El curso se compone de 30 horas lectivas presenciales repartidas en 15 horas de conceptos teóricos y fundamentos y otras 15 horas de prácticas con software especializado y datos de casos reales.

La teoría incluye visualización de datos, técnicas de clasificación básicas (árboles de decisión, redes neuronales…) y avanzadas (máquinas de soporte vectorial, ensemble learning, deep learning…), preprocesado (eliminación de ruido, imputación de valores perdidos, reducción de datos…), aprendizaje no supervisado (agrupamiento y reglas de asociación), aprendizaje incremental y minería de flujo de datos, big data y sus paradigmas y, finalmente, experiencias reales de Ciencia de Datos en la empresa. La práctica introduce al alumno en herramientas software tales como KNIME y R y arquitecturas como Hadoop y Spark. También se adquirirá experiencia en la plataforma Kaggle para competiciones en problemas reales.

Jueves, 31 de enero de 2019 (Aula -1.2)

15:30-16:00 Presentación del curso.
16:00-17:00 Tema 1: Ciencia de Datos, analítica avanzada y big data.Jorge Casillas Barranquero.
17:00-18:00 Tema 2: Análisis exploratorio de datos: visualización.Jorge Casillas Barranquero.
18:00-18:30 Descanso.
18:30-20:30 Tema 3: Fundamentos de clasificación: árboles de decisión, lazy, RNA, bayesianos, evaluación.Salvador García, Profesor Titular de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.

Viernes, 1 de febrero de 2019 (Laboratorio -1.1)

16:30-18:30 Práctica 1: KNIME: predicción fundamental.Jesús Alcalá Fernández, Profesor Titular de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.
18:30-19:00 Descanso.
19:00-20:00 Práctica 1: KNIME: predicción fundamental.Jesús Alcalá Fernández.

Jueves, 07 de febrero de 2019 (Aula -1.2 y Laboratorio -1.1)

16:00-18:00 Tema 4: Preprocesamiento: selección y procesado de instancias y características, tratamiento del ruido.Salvador García.
18:00-18:30 Descanso.
18:30-20:30 Práctica 1: KNIME: predicción fundamental.Jesús Alcalá Fernández.

Viernes, 08 de febrero de 2019 (Aula -1.2 y Laboratorio -1.1)

15:30-18:00 Tema 5: Clasificación avanzada: SVM, ensemble learning, problemas no balanceados, deep learning.Alberto Fernández, Profesor Contratado Doctor, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.
18:00-18:30 Descanso.
18:30-20:30 Práctica 2: R para Ciencia de Datos: visualización y predicción avanzada.Jorge Humberto Guanín Fajardo, Profesor Agregado Facultad de Ciencias de Ingeniería. Universidad Técnica Estatal de Quevedo, Ecuador.

Jueves, 14 de febrero de 2019 (Aula -1.2)

16:30-18:30 Tema 6: Segmentación y relaciones: clustering y reglas de asociación.Jorge Casillas Barranquero.
18:30-19:00 Descanso.
19:00-20:00 Tema 7: Aprendizaje incremental y data stream mining.Jorge Casillas Barranquero.

Viernes, 15 de febrero de 2019 (Laboratorio -1.1)

16:30-18:30 Práctica 2: R para Ciencia de Datos: visualización y predicción.Jorge Humberto Guanín Fajardo.
18:30-19:00 Descanso.
19:00-20:00 Práctica 2: R para Ciencia de Datos: visualización y predicción avanzada.Jorge Humberto Guanín Fajardo.

Jueves, 21 de febrero 2019 (Aula -1.2 y Laboratorio -1.1)

16:00-17:30 Tema 8: Big data: fundamentos y paradigmas.Alberto Fernández.
17:30-18:00 Descanso.
18:00-20:30 Práctica 3: Spark y MLLib: big data. Diego J. García Gil

Viernes, 22 de febrero de 2019 (Laboratorio -1.1 y Salón de Grados)

16:30-18:30 Práctica 3: Spark + MLLib: big data. Diego J. García Gil.
18:30-19:00 Descanso.
19:00-19:30 Kaggle.
19:30-19:45 Tema 9: Ciencia de datos en acción: experiencias de empresa.Por determinar