Cargando Eventos

Ciencia de Datos: Un Enfoque Práctico en la Era del Big Data (VII ed.)

Todos los cursos del Centro Mediterráneo son abiertos a la Sociedad, no exclusivos de la comunidad universitaria

Código: 21ON07 Granada
30/06/2021 al 16/07/2021

Lugar de celebración:
Escuela Técnica Superior de Ingenierías Informática y de Telecomunicación de la Universidad de Granada

En caso de que las condiciones sanitarias no permitieran la realización del curso en su modalidad presencial, se pasaría automáticamente a la modalidad virtual.

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

Posibilidad de reconocimiento de créditos

Este curso será reconocido en los siguientes Grados de la Universidad de Granada:
1 crédito ECTS OPTATIVO en la Facultad de Comunicación y Documentación en todos los Grados adscritos
0,7 créditos ECTS OPTATIVOS en la ETS de Ingeniería de Caminos, Canales y Puertos en Todos los Grados adscritos
1 crédito ECT OPTATIVO en la Facultad de Comunicación y Documentación en Todos los Grados adscritos
3 créditos ECTS OPTATIVOS en la ETSI de Ingeniería de la Edificación en Todos los Grados adscritos

Introducción:

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 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 (no en vano, Glassdoor la define como la mejor profesión en 2016). Catalogada por el Harvard Business Review como la profesión ‘más sexy del siglo XXI’ (2012). Según un estudio basado en información 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 big data como Spark. También se adquirirá experiencia en competiciones con problemas reales (Kaggle, DrivenData…).

A quién va dirigido:

Las personas que se dedican a la ciencia de datos se conocen como científicos de datos, que no es más que una mezcla de matemáticos, estadísticos, informáticos y creativos con habilidades para recopilar, procesar y extraer valor de las diversas y extensas bases de datos; imaginación para comprender, visualizar y comunicar sus conclusiones a los no científicos de datos; y capacidad para crear soluciones basadas en datos que aumentan los beneficios, reducen los costos y ayudan a construir un mundo mejor.
El curso se orienta a estudiantes de grado, máster y profesionales con formación previa principalmente en informática, matemáticas, estadística, física, ingeniería o empresariales que busquen completar su formación como científico de datos. La presentación de los fundamentos teóricos y el uso de software especializado se impartirán de forma apropiada para atender a las diferentes necesidades del alumnado. Ciencia de datos es una disciplina que se nutre de experiencias y formaciones diversas, de forma que el curso aprovechará la variedad de necesidades y capacidades del alumnado.

Evaluación:

Respuesta a preguntas de teoría y competición internacional en una plataforma de ciencia de datos (Kaggle o DrivenData)
Asistencia: Obligatorio asistir al 80% de las clases

Para más información: http://sci2s.ugr.es/CienciaDatosBigData

Miércoles, 30 de junio de 2021

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
Catedrático de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada

Viernes, 2 de julio de 2021

16:00-18:00 Práctica 1: KNIME: predicción fundamental
Julián Luengo
Profesor Titular de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada
18:00-18:30 Descanso
18:30-20:00 Práctica 1: KNIME: predicción fundamental
Julián Luengo

Lunes, 5 de julio de 2021

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
Julián Luengo

Miércoles, 7 de julio de 2021

15:30-18:00 Tema 5: Clasificación avanzada: SVM, ensemble learning, problemas no balanceados, deep learning
Alberto Fernández, Profesor Titular de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.
18:00-18:30 Descanso
18:30-20:30 Práctica 2: Python para ciencia de datos: visualización y predicción avanzada.
Daniel Molina

Viernes, 9 de julio de 2021

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

Lunes, 12 de julio de 2021

15:30-18:00 Práctica 2: Python para ciencia de datos: visualización y predicción avanzada
Daniel Molina
Profesor Titular de Universidad, Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada
18:00-18:30 Descanso
18:30-20:30 Práctica 2: Python para ciencia de datos: visualización y predicción avanzada
Daniel Molina

Miércoles, 14 de julio de 2021

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 + MLLib: big data
Diego J. García Gil

Viernes, 16 de julio de 2021

16:00-18:30 Práctica 3: Spark + MLLib: big data.
Diego J. García Gil
18:30-19:00 Descanso
19:00-19:30 Kaggle/DrivenData
19:30-19:40 Clausura