Proyecto BIGDATA + | Empresas formadoras

• Firma de convenios Cámara-Empresa-Centro FP- Alumno
• Empresa: alta en la Seguridad Social
• Centro FP: seguro escolar
• Beca mínima: 360 € / mes

• 8.300 € / alumno / año​
• 5% descuento 2º alumno
• 10% descuento 3º y sucesivos alumnos

Incluye:*​

• Profesores y tutores del Centro​
• Coordinación del proceso de selección de candidatos​
• Coste de las instalaciones​
• Material formativo​
• Licencia exámenes​
• Certificado​

​*(no incluye la beca/remuneración)​

Módulo 1: Análisis de datos | Ecosistema Python
 

Los alumnos adquieren experiencia práctica con el ciclo de vida del Machine Learning, desde el preprocesamiento de los datos hasta la elección, configuración y evaluación de distintos modelos de Machine Learning y Deep Learning, incluyendo la visualización de los resultados. Se familiarizan con las bibliotecas pandas, numpy, scikit-learn, TensorFlow (Keras), statsmodels, matplotlib y seaborn.
 

I. Iniciación en análisis de datos con Python

• Caso de uso: Exploración y Análisis descriptivo de datasets.

II. Modelos de regresión en Machine Learning con Python

• Casos de uso: Linear Regression, Decision Tree Regression, Random Forest Regression, Neural Network Regression y Deep Learning.

III. Modelos de clasificación en Machine Learning con Python

• Casos de uso: Logistic Regression, Decision Tree, Random Forest, Naïve Bayes Classifier, K-Nearest Neighbors, Support Vector Machine, Neural Networks y Deep Learning (MLP y DNN), Convolutional Neural Networks.

IV. Modelos de clustering en Machine Learning con Python

• Casos de uso: Feature Engineering, K-Means, Mean Shift, Mini Batch K-Means, Density-Based Clustering (DBSCAN, OPTICS), Distribution-Based Clustering (GMM), Hierarchical Clustering, Agglomerative Clustering.

V. Análisis de series temporales con Python

• Casos de uso: Time Series Forecasting con AR, ARIMA, SARIMA y Exponential Smoothing, Recursive Forecasting, Multivariate Forecasting, Ensemble Modeling.

Módulo 2: Arquitecturas de Big Data en el ecosistema de AWS

Los alumnos aprenden a gestionar las capas de arquitecturas de Big Data (Data Warehouse, Data Lake, Data Lakehouse y Data Mesh) en la nube y se certifican con los exámenes oficiales de AWS. Aprenden a diseñar y administrar flujos de datos escalables, desde la ingesta hasta el almacenamiento, procesamiento y análisis de datos en entornos distribuidos. Se explorarán herramientas para la transformación y consulta de datos en tiempo real y por lotes, optimizando el rendimiento y reduciendo costos mediante arquitecturas eficientes y seguras.
 

I. Ingesta de datos

• AWS Glue (ETL para ingesta por lotes)
• Amazon Kinesis (procesamiento de datos en tiempo real)
• Amazon Managed Streaming for Apache Kafka (MSK)

II. Almacenamiento de datos

• AWS S3, AWS S3 Glacier, AWS Lake Formation, AWS Redshift Spectrum (consulta de datos en S3 desde Redshift)
  AWS Glue Data Catalog (gestión de metadatos)

III. Procesamiento de datos

• AWS Glue (ETL y transformación de datos)
• Apache Spark, AWS Neptune, Amazon EMR (procesamiento a gran escala basado en Hadoop/Spark)
• SageMaker (entrenamiento de modelos de Machine Learning)
  Amazon Kinesis Data Analytics (procesamiento de datos en tiempo real)

IV. Consultas, análisis y consumo de datos

• AWS QuickSight (inteligencia de negocio y visualización)
• AWS Athena (consultas SQL en S3)
• AWS Redshift (almacenamiento de datos) 
• AWS Glue DataBrew (exploración interactiva de datos)

Módulo 3: Análisis y digitalización de procesos

Los alumnos aprenden a modelar procesos empresariales y detectar oportunidades para la digitalización y automatización mediante soluciones de RPA, bibliotecas especializadas de Python y el framework LangChain para crear soluciones con Inteligencia Artificial Generativa.
 

I. Modelado de procesos con software especializado

• UML, BPMN (Business Process Model and Notation), EPC (Event-Driven Process Chain).

II. Automatización de tareas con RPA y Python

• UIPath, PyAutoGUI, Selenium, Beautiful Soup, APScheduler.

III.    Optimización de productividad con herramientas de Inteligencia Artificial Generativa

• Modelos de lenguaje masivo (Large Language Models) de OpenAI, Meta y Google.
• Prompt engineering, fine-tuning y copilotos.
• AWS Bedrock.

IV. Creación de aplicaciones de Inteligencia Artificial Generativa con LangChain

• Chatbots con workflows automatizados.
• Retrieval-Augmented Generation (RAG).
• Agentic AI.