1

Comprender los conceptos y los retos de los Big Data

• Orígenes y definición de Big Data.
• Las cifras clave del mercado en el mundo y en Francia.
• Los retos de los Big Data: Rendimiento de la inversión, organización y confidencialidad de los datos.
• Un ejemplo de arquitectura de Big Data.

2

Tecnologías de Big Data

• Descripción de la arquitectura y componentes de la plataforma Hadoop.
• Modos de almacenamiento (NoSQL, HDFS).
• Principios de funcionamiento de MapReduce, Spark, Storm...
• Principales distribuciones del mercado (Hortonworks, Cloudera, MapR, Elastic Map Reduce y Biginsights).
• Instalar una plataforma Hadoop.
• Las tecnologías del datascientist.
• Presentación de tecnologías específicas para Big Data (Tableau, Talend, Qlikview, etc.).

3

Gestionar datos estructurados y no estructurados

• Principios de funcionamiento del sistema de archivos distribuido Hadoop (HDFS por su sigla en inglés).
• Importar datos externos a HDFS.
• Realizar consultas SQL con HIVE.
• Usar PIG para procesar datos.
• El principio de ETL (Talend...).
• Gestión de streaming de datos masivo (NIFI, Kafka, Spark, Storm, etc.)

4

Técnica y métodos de análisis de Big Data

• El aprendizaje automático, un componente de la inteligencia artificial.
• Descubrir las tres familias: Regresión, clasificación y agrupación.
• Preparación de datos (preparación de datos, ingeniería de características).
• Generar modelos en R o Python.
• Aprendizaje por conjuntos.
• Descubrir las herramientas disponibles en el mercado: Jupyter Notebook, Dataïku, Amazon Machine Learning, etc.

5

Visualización de datos y casos de uso concretos

• Definir la necesidad de la visualización de datos.
• Análisis y visualización de datos.
• ¿Pueden utilizarse todos los tipos de datos en DataViz?
• Las herramientas DataViz del mercado.

6

Conclusión

• Lo que hay que recordar.
• Síntesis de buenas prácticas.
• Bibliografía.