Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, relacionados con el uso del ambiente de desarrollo Google Colaboratory, con la instalación de herramientas Hadoop y Spark o con la utilización de la API para el almacenamiento y procesamiento de big data.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos, los cuales tendrán por objetivo aplicar de forma práctica las técnicas y herramientas para el manejo de big data. En particular, se enfocan en el uso del ecosistema Hadoop, del framework Spark y su biblioteca para machine learning Spark MLLIB, y de herramientas prácticas para visualización de datos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción a big data
• Instalación de herramientas Hadoop

• Hadoop MapReduce
• Apache Hive
• Apache Pig

• Programación en Apache Spark

• Apache Flume
• Spark Streaming
• Spark SQL

• Spark MLLIB: algoritmos supervisados
• Spark MLLIB: algoritmos no supervisados

• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, el uso apropiado de algunas herramientas, etc.

Para este curso se revisarán formas de interpretar y aplicar del modelo anidado de visualización para validar visualizaciones existentes y para justificar decisiones de diseño de nuevos gráficos de visualización de información. Se revisarán y aplicarán bibliotecas en Python especializadas en visualización. Y con participación de los alumnos se analizarán casos de visualización.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. La primera actividad práctica requiere utilizar los conceptos de visualización para evaluar y validar diseños de visualización de información ya existentes. La idea es poner en práctica la relación entre tipos de datos y datasets, tareas, así como conocer las marcas y canales más apropiados para codificar información visualmente. La segunda actividad práctica tiene como propósito implementar visualizaciones mediante programación. Se establecen tres casos con datasets y codificaciones objetivo, con lenguage Python y usando las bibliotecas Pandas, Matplotlib y Seaborn.

El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. De esta forma, la tercera actividad de aplicación requiere una integración de conceptos de visualización y de implementación en Python. Dado un dataset y un caso de estudio, el estudiante analiza un dataset y provee respuestas a ciertas preguntas a través de la implementación de diferentes visualizaciones. En el proceso, se justifican las decisiones de codificación visual (gráfico, colores, etc.) y del espacio de diseño en general.

• Ejemplos históricos de visualización de datos
• Conceptos fundamentales de visualización de información
• Percepción visual
• Funciones básicas de Matplotlib y Seaborn.

• ¿Qué? Datos y datasets
• ¿Por qué? Tareas de visualización
• ¿Cómo? Codificación visual
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráfico de barras y barras apiladas
• Gráfico de puntos y de líneas
• Gráfico de dispersión y de burbujas
• Gráfico de flujos
• Histogramas, gráficos de caja y de violín

• Múltiples ejes, gráficos radiales y de torta
• Matriz de gráficos
• Pequeños múltiples
• Mapa de calor
• Reducción de dimensionalidad lineal y no lineal

• Conceptos de red, grafos y árboles
• Diagramas nodo-enlace
• Matrices de adyacencia
• Gráficos tipo encierro
• Clustermap

• Introducción a la visualización en diversos dominios y a storytelling
• Visualizacion espacial y espacio-temporal
• Visualización de colecciones de documentos
• Visualización de vectores de palabras

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas, además de apoyar el desarrollo de casos de estudio. Con estos últimos, se busca que los alumnos se vean enfrentados a situaciones más cercanas a la realidad, recorriendo las distintas etapas de los proyectos de machine learning.

Los alumnos deben aplicar los conocimientos aprendidos en tres pequeños proyectos cuyo objetivo es reforzar el aprendizaje teórico de las clases lectivas. El primer proyecto se focaliza en aplicar herramientas de preprocesamiento y visualización de datos. Los siguientes tienen características integradoras de preprocesamiento y aplicación de modelos de machine learning tanto en su versión supervisada como no supervisada.  Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción al aprendizaje de máquina
• Tipos de problemas en aprendizaje de máquina

• Introducción a librerías del ecosistema de data science
• Tipos de variables
• Análisis descriptivo de variables
• Transformación de variables
• Visualización de variables
• Imputación de datos

• Aprendizaje supervisado
• Regresión lineal
• Regresiones polinomiales
• Regresión con penalización
• Regresión logística

• Naive Bayes
• Evaluación de clasificadores
• Árboles de decisión
• Random Forest
• Random Forest para regresión

• Introducción a las redes neuronales artificiales
• Tecnologías para desarrollo de redes neuronales artificiales
• Redes neuronales artificiales

• Aprendizaje no supervisado
• K-Means
• Cluster jerárquico
• Evaluación de clusters
• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, relacionados con el uso del ambiente de desarrollo Google Colaboratory, con la instalación de herramientas Hadoop y Spark o con la utilización de la API para el almacenamiento y procesamiento de big data.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos, los cuales tendrán por objetivo aplicar de forma práctica las técnicas y herramientas para el manejo de big data. En particular, se enfocan en el uso del ecosistema Hadoop, del framework Spark y su biblioteca para machine learning Spark MLLIB, y de herramientas prácticas para visualización de datos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción a big data
• Instalación de herramientas Hadoop

• Hadoop MapReduce
• Apache Hive
• Apache Pig

• Programación en Apache Spark

• Apache Flume
• Spark Streaming
• Spark SQL

• Spark MLLIB: algoritmos supervisados
• Spark MLLIB: algoritmos no supervisados

• Reducción de dimensionalidad