Este módulo de fundamentos establece una comprensión básica de la ciencia de datos fundamental y explica Big Data desde las perspectivas empresarial y tecnológica, incluyendo conceptos comunes, modelos, beneficios, retos y problemas de adopción.

Se cubren los siguientes temas principales:

• Cómo entender los datos
• Introducción a Big Data
• Cómo entender los datos en los entornos Big Data
• Tecnologías empresariales tradicionales que procesan Big Data
• Introducción al análisis de Big Data
• Introducción a la analítica de Big Data
• Inteligencia de negocios (BI) y Big Data
• Visualización de datos y Big Data
• Elementos a tener en cuenta al planear y adoptar Big Data

Este módulo explora una serie de los temas más relevantes que pertenecen a las prácticas de análisis, tecnologías y herramientas contemporáneas para los ambientes de Big Data. Intencionalmente, el contenido del curso mantiene su cobertura a nivel conceptual, enfocándose en temas que permiten a los participantes desarrollar una comprensión total de las funciones de análisis y características comunes ofrecidas por las soluciones de Big Data, así como un entendimiento de alto nivel de los componentes de back end que habilitan estas funciones.

Se cubren los siguientes temas principales:

• Ciclo de vida del análisis de Big Data
• Técnicas de análisis estadístico
• Técnicas de análisis visual
• Técnicas de aprendizaje automático (Machine Learning)
• Técnicas de análisis semántico
• Relación de temas de análisis y analítica de los Módulos 1 y 2
• Consideraciones tecnológicas de Big Data
• Mecanismos tecnológicos de Big Data

Este módulo presenta a los participantes una serie de ejercicios y problemas diseñados para poner a prueba su capacidad de aplicar conocimientos sobre los temas tratados en los módulos anteriores. La realización de este laboratorio ayudará a resaltar las áreas que requieren mayor atención y ayudará a a demostrar su dominio del análisis de big data y de la tecnología y prácticas como se aplican y combinan para resolver problemas del mundo real.

Se proporcionan los siguientes ejercicios:

• Ejercicio de lectura 3.1: Lectura y socialización enclase: Antecedentes del caso de estudio dePLGM
• Ejercicio de laboratorio 3.2: Planear el entorno de Inteligencia de negocios (BI) de Big Data
• Ejercicio de laboratorio 3.3: Analizar los datos de fidelidad  de los clientes
• Ejercicio de laboratorio 3.4: Reducción de la insatisfacción  de los clientes
• Ejercicio de laboratorio 3.5: Mejorar las ventas en línea de PLGM
• Ejercicio de lectura 3.6: Lectura y socialización en clase: Antecedentes del caso de estudio de LHL
• Ejercicio de laboratorio 3.7: Planear la integración de datos y el entorno de elaboración de informe
• Ejercicio de laboratorio 3.8: Desarrollar una capacidad de personalización del tratamiento
• Ejercicio de laboratorio 3.9: Mejorar la capacidad de  investigación de LHL
• Ejercicio de lectura 3.10: Lectura y socialización en clase:  Antecedentes del caso de estudio de SWP
• Ejercicio de laboratorio 3.11: Análisis de datos
• (Data Analysis) de medidor inteligente
• Ejercicio de laboratorio 3.12: Mejorar la capacidad de predicción de demanda eléctrica
• Ejercicio de laboratorio 3.13: Capacidad de gestión de activos e identificación de riesgos