top of page

Plataforma Abierta para la Innovación

Cursos

Actualizado: 19 dic 2023

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:


4 visualizaciones0 comentarios


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.



  • Conceptos básicos.

  • Aprendizaje de máquina.

  • Aplicaciones.

  • Aprendizaje supervisado.

  • Ejemplos.

  • Polinomios y múltiples dimensiones.

  • Problemas de clasificación.

  • Idea general

  • Implementación en Python

  • Problema de clasificación binaria

  • Aprendizaje supervisado. Problemas de clasificación.

  • Implementación en Python

  • Clasificación.

  • Implementación en Python y comentarios finales

  • 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.

  • Introducción.

  • Ejemplos.

  • Implementación en Python.

  • Modelo CART.

  • Random forest, Métodos de ensamble.

  • Introducción.

  • Implementación en Python.

  • Bag of words.

  • Bag of n-grams.

  • Term frequency–Inverse document frequency.

  • Error y evaluación.

  • Estimar el error.

  • Métricas para la medición del error.

  • Curvas de precisión y recall.

  • Curvas ROC y AUC.

  • Introducción.

  • Agrupamiento.

  • K medias.

  • Expectation Maximization.

  • Agrupamientos por densidad.

  • DBSCAN.

  • Algoritmo Apriori.


Acerca del instructor:

Dr. Iván Razo-Zapata - COCOA & LiCore AC

72 visualizaciones0 comentarios


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:



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.

26 visualizaciones0 comentarios
bottom of page