Introducción general al Big Data Analytics y su necesidad.

• Introducción a R.
• Introducción a los paquetes de R que se utilizarán en otras sesiones.
• Ejemplos prácticos.

Conceptos básicos e introducción a la programación en Python, cubriendo las librerías más empleadas en el tratamiento de datos y en el desarrollo de modelos de machine learning (numpy, pandas, scikit-learn, etc.). En las prácticas se utilizarán Jupyter Notebooks para documentar el código y facilitar la ejecución interactiva durante la sesión.

• Soluciones Big Data en el Cloud. Diseño de sistemas inteligentes.
• Tipos de problemas que nos encontramos en data science y como abordarlos.
• Introducción al aprendizaje automático.

• Introducción.
• Tratamiento, transformación y limpieza de datos.
• Caso práctico 2 y 3.
• Obtención de datos, inferencia de datos y modelado de datos.
• Diseño de las necesidades del sistema.
• Casos prácticos 4 y 5.

• Presentación de las técnicas más básicas: histogramas, scatter plots…
• Técnicas de visualización más avanzadas ilustradas con problemas reales.
• Detección de valores atípicos.
• Correlaciones o indicadores de discriminación para entender cuáles son las variables más predictivas/discriminativas.
• Introducción a proyecciones que revelan estructuras en los datos. En particular, el análisis de componentes principales.

Introducción a las series temporales y su necesidad en Big data.

Introducción al Machine Learning y tipos de problemas: supervisado vs no supervisado vs semi-supervisado, regresión vs clasificación… Algoritmos supervisados sencillos: métodos lineales (discriminante lineal), cuadráticos y no paramétricos (vecinos próximos). Aspectos importantes en el proceso de clasificación: Selección de características y reducción de la dimensión.elección del clasificador, problema de sobreajuste, validación.

Breve introducción a la optimización. Introducción a las máquinas de vectores soporte (SVM): motivación, optimización, kernel trick, ajuste de parámetros. Introducción a los algoritmos genéticos: cómo buscar en el espacio de soluciones, heurísticas, motivación de los algoritmos genéticos, metodología, tipos. En todas las sesiones se motivarán los contenidos con ejemplos ilustrativos y reales en la medida de lo posible. Se harán prácticas de los distintos temas con R y se usará como hilo conductor el problema general de todo el curso.

Introducción de las principales técnicas de regresión: Lineal, Splines, Quantiles, Lasso y regressión logística. Técnicas avanzadas de regresión, diseño de experimentos para mitigar problemas de causalidad: Diferencias en diferencias, Variables instrumentales y regresion por discontinuidad.

• Cluster Analysis: k-means (color quantization, pattern recognition examples ), k-medoids ( face recognition examples ). Association Rules: The apriori algorithm (examples on Association rules sequences. The cspade algorithm (examples on tag recommendation, market basket, etc) market basket analysis), Association rules sequences. The cspade algorithm (examples on tag recommendation, market basket, etc).
• Cluster Analysis/ Hierarchical clustering : Agnes – Diana, Types of linkages . Examples on movie suggestion engines, cell phone towers placement, etc.

• Introducción a las funcionalidades básicas de Spark. Partiendo de la definición y manejo de RDDs hasta la manipulación de DataFrames y DataSets, pasando por las transformaciones y acciones más comunes en el procesamiento de datos distribuidos sobre Spark. Para ello se pueden utilizar distintas APIs y durante el curso se utilizará PySpark (de ahí la introducción de la sesión anterior), empleando además distintos formatos y fuentes de datos en el origen. Siguiendo un enfoque práctico, se aplicarán estos conceptos a ejemplos con datos reales de manera interactiva.
• Continuación de la sesión anterior, incorporando la librería de modelado MLlib de Spark. Se explicará cómo construir los algoritmos descritos en la primera sesión, esta vez en formato distribuido. A su vez se hará un repaso de todo aquello necesario en la construcción de features y de un pipeline completo de machine learning con PySpark.

• Introducción a las redes neuronales básicas y a las redes profundas (deep learning) utilizando «Tensor Flow».
• Técnicas de clasificación: Combinación de clasificadores

Introducción a los modelos gráficos probabilísticos. Caracterización. Redes Bayesianas. Tablas de probabilidad condicionada. Inferencia Ejemplos Aprendiendo modelos gráficos probabilísticos e inferencia con ellos.

Utilización de combinación de clasificadores estudiados en sesiones anteriores para mejorar resultados y tasas de correcta clasificación y predicción.