Repositorio de los contenidos y las prácticas del curso BIG DATA

• Introducción y contexto
• Entendiendo los datos
• Big Data
• Ejercicios (sin uso de aplicaciones)

• Recorrido por el mundo DATA
• Datos en los negocios online
• Ejercicios (sin uso de aplicaciones)
• Búsquedas avanzadas de Google

• Datos y decisiones de negocio
• Modelos de datos
• Soluciones BI
• Minería de datos
• Ejercicios: uso de Looker Studio (anteriormente Google Data Studio)

• Conceptos básicos
• JS: Objetos JSON y API
• Bases de datos SQL
• SQL y Reporting
• Ejercicios: uso de MySQL

• Big Data
• Data Science: AI y ML
• ML: entender el proceso
• Ejercicios

• Analítica digital.
• Objetivos.
• Métricas y KPIs.
• Ejercicios.

• Google Analytics GA4.
• Recopilación de datos de Analytics.
• Interfaz Google Analytics 4.
• El Ámbito de los datos.
• Ejercicios.

• Dimensiones GA4.
• Uniendo dimensiones y métricas.
• Centro de análisis de GA4.
• Informes.
• Ejercicios.

• Inteligencia Artificial GA4.
• Insights automáticos.
• Seguimiento de una campaña de marketing.
• Utilizando la publicidad.
• Ejercicios.

• Entornos analíticos
• SEO
• Analítica en Social Ads
• Otros entornos
• Ejercicios.

• Análisis inicial de una Base de Datos BBDD.
• ¿Big Data?
• Ingesta y tratamiento.
• Ejercicios.

• Antes de empezar.
• Statements & clauses básicos.
• Where Clause.
• Order by statement.
• Case When statement.
• Ejercicios (SQL - carpeta MYSQL): diferentes sentencias de SQL usando diferentes datasets

• Agregaciones. Funciones de agregación, GROUP BY statement, HAVING clause.
• Trabajando con fechas. STRFTIME function
• Agregaciones condicionales
• Ejercicios (SQL - carpeta MYSQL): sentencias SQL utilizando funciones de agregación, agregaciones condicionales y funciones fecha.

• Subqueries
• Unions: union y union all
• Joins: left join, inner join, full join, right join
• No-code
• Ejercicios (SQL): sentencias SQL utilizando subqueries y uniones/joins.

• Resolución de problemas
• Programar
• Ejemplos básicos de Python: 1- BasicosPythonOriginal.ipynb, 2- Repasillo Estructuras.ipynb

• CRISP-DM y EDA
• Problemas
• Librerías y PIP
• Ejercicios: String y Cadenas Victor.ipynb

• NumPy y Pandas
• Estructuras de datos
• EDA
• Ejercicios con Pandas: Practica Kaggle.ipynb

• Data Wrangling
• Datos incompletos
• Atípicos
• Incoherentes
• Ejercicio de EDA: Panda_Practicas_chipotle.ipynb

• Contenidos adicionales
• Ejercicio de EDA: Panda_Practicas_chipotle.ipynb (continuación)

• Presentación
• Contextualización
• Introducción al Aprendizaje Automático
• Conceptos fundamentales del ML
• Repasemos EDA y Data Preparation
• Herramientas para el ML
• Ejercicios:

1. Estructuras de Datos en Python
2. Preprocesado de un dataset con Pandas
3. Librería NumPY
4. Librerías para el análisis de datos

• Conceptos fundamentales
• Tipos de modelos de ML
• Regresión
• Clasificación
• Modelos no supervisados
• Redes neuronales
• Ejercicios

1. Regresión

• Regresión linear
• Regresión KNN
• Regresión linear y polinómica

2. Clasificación

• Regresión Logística
• Clasificación KNN
• Más clasificadores
• Clasificadores multiclase
• Otros clasificadores

3. Modelos no supervisados

• Principales modelos no supervisados
• Otros modelos no supervisados

4. NLP y Redes Neuronales

• Redes neuronales recursivas (RNNs) para análisis de opinión.

• Presentación Arquitecturas Cloud y Big Data
• Ejercicios

1. Python Notebook

• Presentación Arquitecturas Cloud y Big Data.
• Ejercicios:

2. Condicionales
3. Bucles

• Ejercicios:

3. Bucles
4. Programación funcional

• Introducción a PySpark: RDDs Master-Worker RDD Closure.
• Crear un RDD a partir de una lista con sus elementos.
• SPARK: ejemplo de Evaluación Perezosa.
• Ejercicios:

5. SparkSession Teoría
6. Primer RDD Teoría

• RDDs: Transformaciones.
• RDDs: Acciones.
• EJERCICIO PRÁCTICO: archivo de texto.
• Ejercicios

7. Transformaciones y Acciones sobre RDDs

1. Data Collection API
2. EDA
3. EDA using SQL
4. EDA with Data Visualization
5. Interactive Visual Analytics con Folium
6. Machine learning predictions