05 Big Data (próximamente)

Los sistemas de big data pueden combinar datos generados a través de IoT y ciencia de datos para mejorar costos, energía, impacto ambiental en sistemas de movilidad y transporte.

El curso se puede enfocar al uso de distintos conjuntos de datos para analizar problemáticas comunes en la movilidad en México, por ejemplo, diseño de rutas óptimas, identificación de puntos de transición multimodal, identificación de perfil de usuarios, etc.

Contenido:

1. Introducción a Big Data

• Definición

• Conceptos Básicos

• Tipos de datos

• Ejemplos

• Retos de trabajar con big data

2. Infraestructura, Tecnologías y Arquitectura de Big Data

• Conceptos básicos SQL vs NoSQL

• Arquitectura de datos

• Online transaction processing

• Online analytical processing

• Star Schema

• Snowflake schema

• Batch vs Streaming Processing

3. Introducción a SQL y Modelado de datos

• Databricks workspace

• ¿Qué es una base de datos relacional?

• Relational Database Management System (RDBMS)

• SQL

• Normalización de datos

4. SQL Labs

• Comandos SQL

5. PySpark

• Medallion Architecture

• Star Schema

6. PySpark para Machine Learning

• ML con PySpark

7. Visualización de datos

• Tableau

• PowerBi

8. Forecasting

• Modelos de forecasting

• Prophet

9. Proyecto Final Data Lakehouse

• Data Analytics con Big Data

• Data Mining y Machine Learning con Big Data

Acerca del instructor:

Sebastián González Tafoya

04 Inteligencia Artificial para la Movilidad

Descripción

Utilización de inteligencia artificial para solucionar problemáticas de la movilidad, y utilizarlas como una herramienta para implementar prácticas sustentables. Especial atención a reducir prácticas inseguras de los usuarios, como exceso de velocidad y conducción deficiente.

Repositorio en Github: https://github.com/HUBIQmx/IAmovilidad

1. Inteligencia artificial y machine learning.

• Conceptos básicos.

• Aprendizaje de máquina.

• Aplicaciones.

2. Regresión lineal

• Aprendizaje supervisado.

• Ejemplos.

• Polinomios y múltiples dimensiones.

3. Regresión logística

• Problemas de clasificación.

• Idea general

• Implementación en Python

• Problema de clasificación binaria

4. Vecinos más cercanos

• Aprendizaje supervisado. Problemas de clasificación.

• Implementación en Python

• Clasificación.

• Implementación en Python y comentarios finales

5. Redes neuronales artificiales

• Redes Neuronales Artificiales (RNAs).

• Perceptrón y Modelo de Neurona Simple.

• Clases no linealmente separables.

• Perceptrón multicapa.

• MLP para clasificación.

• MLP para clasificación con imágenes.

• Aprendizaje profundo.

6. Árboles de Decisión

• Introducción.

• Ejemplos.

• Implementación en Python.

• Modelo CART.

• Random forest, Métodos de ensamble.

7. Feature Engineering (Ingeniería de características)

• Introducción.

• Implementación en Python.

• Bag of words.

• Bag of n-grams.

• Term frequency–Inverse document frequency.

8. Evaluación de modelos

• Error y evaluación.

• Estimar el error.

• Métricas para la medición del error.

• Curvas de precisión y recall.

• Curvas ROC y AUC.

9. Aprendizaje no supervisado

• Introducción.

• Agrupamiento.

• K medias.

• Expectation Maximization.

• Agrupamientos por densidad.

• DBSCAN.

• Algoritmo Apriori.

Acerca del instructor:

Dr. Iván Razo-Zapata - COCOA & LiCore AC

03 Cómputo en la nube para la movilidad

Temario

En este curso, impartido por el Dr. Amadeo Argüelles Cruz y el Mtro. Octavio Elías Piñal Ramírez, aprenderás sobre los conceptos básicos del cómputo en la nube. Se estudia qué es cómputo en la nube, sus ventajas y modelos; los proveedores más importantes del servicio; el cómputo en el borde, el cómputo en la niebla y sus aplicaciones. Todos los temas se alternan con ejercicios prácticos realizados en las plataformas de Azure y AWS.

• Introducción y virtualización

  • Ventajas y modelos del cómputo en la nube.

  • Modelos de responsabilidad compartida.

  • Modelo basado en el consumo.

  • Conceptos importantes.

  • Proveedores de cómputo en la nube  (Azure, Azure Cloud Shell, Azure Resource Manager, AWS).

  • Ejercicio práctico Plataforma Azure y la plataforma Amazon Web Services

• Computo en el borde y cómputo en la niebla.

  • Azure

  • Gemelos digitales y ejercicio práctico.

  • Tecnología aplicada Hadoop Stack

  • Plataforma de AWS, jercicio práctico

• Cómputo en el borde y cómputo en el borde multiacceso.

  • Aplicaciones y equipo para cómputo en el borde.

  • Acuerdo de nivel de servicio

  • Ejercicio práctico Github y Azure.

Acerca de los instructores:

Dr. Amadeo Argüelles Cruz

M. en C. Octavio Elías Piñal Ramírez

Github

Material de apoyo

En la descripción de cada video en youtube encontrarás un resumen del tema de la sesión, la liga para descargar la presentación y referencias adicionales sobre cada tema.