Resultados de aprendizaje y criterios de evaluación:

1. Caracteriza sistemas de Inteligencia Artificial relacionándolos con la mejora de la eficiencia operativa de las organizaciones y empresas.

Criterios de evaluación:

• • a) Se han identificado los principios fundamentales de los sistemas inteligentes.
  • b) Se ha recopilado información sobre campos donde se aplica Inteligencia Artificial.
  • c) Se han identificado las técnicas básicas a utilizar en el entorno de la IA.
  • d) Se han identificado nuevas formas de interacciones en los negocios que mejore la eficiencia operativa.

2. Utiliza modelos de sistemas de Inteligencia Artificial implementando sistemas de resolución de problemas.

Criterios de evaluación:

• • a) Se han determinado los requisitos básicos a implementar en un sistema de resolución de problemas.
  • b) Se han clasificado modelos de Inteligencia Artificial.
  • c) Se han caracterizado los modelos de automatización de tareas.
  • d) Se han caracterizado los modelos de razonamiento impreciso.
  • e) Se han caracterizado los modelos de sistemas basados en reglas.
  • f) Se ha valorado la adecuación de los modelos a la implementación del sistema de resolución de problemas.

3. Relaciona el procesamiento de lenguaje natural con sus aplicaciones determinando su potencial e identificando sus limitaciones.

Criterios de evaluación:

• • a) Se ha caracterizado el procesamiento de lenguaje natural.
  • b) Se ha justificado el papel del lingüista en un proyecto de inteligencia artificial.
  • c) Se ha determinado el potencial de las técnicas existentes de procesamiento de lenguaje, así como sus limitaciones.
  • d) Se ha considerado en qué casos es factible aplicar estas técnicas en la resolución de un problema.
  • e) Se ha evaluado el trabajo cooperativo entre lingüistas e informáticos en el campo del procesamiento del lenguaje natural.
  • f) Se ha descrito la formación teórica que precisa el investigador en procesamiento del lenguaje natural.
  • g) Se ha elaborado un sistema de procesamiento de lenguaje orientado a una tarea específica.

4. Analiza sistemas robotizados, evaluando opciones de diseño e implementación.

Criterios de evaluación:

• • a) Se han recopilado los problemas del modelado y control cinemático en robots manipuladores.
  • b) Se han buscado soluciones a los problemas de los robots.
  • c) Se han valorado las características diferenciadoras de las técnicas de programación de robots y de sistemas robotizados.
  • d) Se han evaluado diferentes opciones en el diseño e implementación de sistemas robotizados.

5. Aplica sistemas expertos evaluando la influencia de los controladores inteligentes en el comportamiento del sistema.

Criterios de evaluación:

• • a) Se ha descrito la dinámica y las estructuras elementales de los sistemas expertos.
  • b) Se han determinado las destrezas necesarias para representar y simular comportamientos básicos de sistemas de muy diversos ámbitos.
  • c) Se ha razonado cómo influye la variación de las características de los sistemas en su dinámica de actuación.
  • d) Se han desarrollado estrategias de control definiendo los objetivos y las especificaciones de la respuesta del sistema.
  • e) Se han relacionado los controladores inteligentes con el comportamiento del sistema.

6. Aplica principios legales y éticos al desarrollo de la Inteligencia Artificial integrándolos como parte del proceso.

Criterios de evaluación:

• • a) Se han argumentado los posibles riesgos legales y éticos de la aplicación de Inteligencia Artificial.
  • b) Se ha reconocido la necesidad de respetar la privacidad de los datos.
  • c) Se ha decidido el cumplimiento estricto de la legalidad en su aplicación.
  • d) Se ha integrado como parte del proceso la protección frente a previsibles errores y ataques (security by design).
  • e) Se ha comprobado que se cumplen todas las normas legales y éticas en todas las áreas de la Inteligencia Artificial (privacy by design).
  • f) Se han identificado y corregido los posibles sesgos de género en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.

Contenidos:

• Caracterización de sistemas de Inteligencia Artificial:
  • Fundamentos de los sistemas inteligentes.
  • Campos de aplicaciones.
  • Técnicas de la Inteligencia Artificial.
  • Nuevas formas de interacción.
• Utilización de modelos de Inteligencia Artificial:
  • Requisitos básicos de un sistema de resolución de problemas.
  • Modelos de sistemas de Inteligencia Artificial:
    • Automatización de tareas.
    • Sistemas de razonamiento impreciso.
    • Sistemas basados en reglas.
• Procesamiento del Lenguaje Natural:
  • Procesamiento del lenguaje natural: Potencial y limitaciones.
  • Aplicaciones del procesamiento del lenguaje natural.
• Análisis de sistemas robotizados:
  • Métodos y aplicaciones de la robótica.
  • Modelado y control de robots.
  • Programación de robots y aplicaciones.
  • Sistemas robotizados. Diseño e implementación.
• Sistemas Expertos:
  • Dinámica de los sistemas expertos.
  • Estructuras elementales de los sistemas expertos.
  • Representar y simular comportamientos básicos.
  • Estrategias de control de un sistema experto.
  • Aplicaciones de sistemas expertos.
  • Tendencias en sistemas expertos.
• Aplicación de principios legales y éticos de la Inteligencia Artificial:
  • Deontología profesional en Inteligencia Artificial.
  • Privacidad de datos.
  • Protección frente a errores.
  • Principios éticos.
  • Sesgos de género en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.

Resultados de aprendizaje y criterios de evaluación:

1. Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades.

Criterios de evaluación:

• • a) Se han determinado las especificidades de Inteligencia Artificial fuerte y débil.
  • b) Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje automático (Machine Learning).
  • c) Se han diferenciado ámbitos de aplicación de la Inteligencia Artificial fuerte y débil.
  • d) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial débil.
  • e) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.
  • f) Se han reconocido las ventajas que proporciona cada tipo en la resolución de los problemas.

2. Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning), testeando su aplicabilidad para la resolución de problemas.

Criterios de evaluación:

• • a) Se han identificado los principios de sistemas de aprendizaje automático.
  • b) Se han determinado tipos y usos de sistemas de aprendizaje automático.
  • c) Se han determinado técnicas y herramientas de sistemas de aprendizaje automático.
  • d) Se han encontrado diferencias entre los tipos de sistemas de aprendizaje automático.
  • e) Se han asociado técnicas y herramientas a cada tipo de sistemas de aprendizaje automático.

3. Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos asociados.

Criterios de evaluación:

• • a) Se han proporcionado los datos etiquetados al modelo.
  • b) Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validación o fase de testeo de datos entre otras.
  • c) Se han utilizado los datos en la fase de entrenamiento para la construcción del modelo aplicando características relevantes obtenidas.
  • d) Se ha evaluado el modelo con los datos obtenidos en la fase de validación.
  • e) Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes características o parámetros.
  • f) Se ha implementado el modelo para realizar predicciones sobre nuevos datos.
  • g) Se han detectado y minimizado los riesgos asociados al modelo.
  • h) Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.

4. Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan de resolver.

Criterios de evaluación:

• • a) Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.
  • b) Se han caracterizado las técnicas de aprendizaje no supervisado utilizadas para la resolución de dichos tipos de problemas.
  • c) Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.
  • d) Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.

5. Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de inteligencia artificial.

Criterios de evaluación:

• • a) Se han evaluado los modelos neuronales para elegir el más adecuado para cada clase de problema.
  • b) Se han aplicado técnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.
  • c) Se han comparado las redes de neuronas artificiales con otros métodos de inteligencia artificial.
  • d) Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.

6. Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático integrando principios fundamentales de la computación.

Criterios de evaluación:

• • a) Se ha valorado la conveniencia de los algoritmos propuestos para dar solución a los problemas planteados.
  • b) Se ha evaluado la aplicación práctica de los principios y técnicas básicas de los sistemas inteligentes.
  • c) Se han integrado los principios fundamentales de la computación en la práctica para seleccionar, valorar y crear nuevos desarrollos tecnológicos.
  • d) Se han desarrollado sistemas y aplicaciones informáticas que utilizan técnicas de los sistemas inteligentes.
  • e) Se han desarrollado técnicas de aprendizaje computacional dedicadas a la extracción automática de información a partir de grandes volúmenes de datos.

Contenidos:

• Caracterización de la Inteligencia Artificial fuerte y débil:
  • Inteligencia Artificial Débil:
    • Características y aplicaciones.
    • Ventajas e inconvenientes.
    • Usos y posibilidades.
  • Inteligencia Artificial Fuerte:
    • Características y aplicaciones.
    • Ventajas e inconvenientes.
    • Usos y posibilidades.
• Determinación de sistemas de aprendizaje automático (Machine Learning):
  • Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.
  • Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.
  • Algoritmos o modelos aplicados al aprendizaje automático:
    • Algoritmos de clasificación.
    • Algoritmos de detección de anomalías.
    • Algoritmos de regresión.
    • Algoritmos de clustering.
    • Algoritmos de refuerzo del aprendizaje.
    • Árboles y reglas de decisión.
    • Otros algoritmos relacionados con el aprendizaje automático.
  • Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.
  • Herramientas de. Aprendizaje automático.
  • Aplicaciones del Machine Learning.
• Algoritmos aplicados al aprendizaje supervisado y optimización del modelo:
  • Determinación de elementos y herramientas de aprendizaje supervisado.
  • Datos etiquetados.
  • Variables de entrada (input data). Etiquetas de salida.
  • Plataformas de aprendizaje automático supervisado.
  • Fases del aprendizaje automático:
    • Selección del algoritmo de aprendizaje supervisado.
    • Selección de datos.
    • Construcción del modelo.
    • Validación del modelo.
    • Ajuste de características o parámetros.
    • Implementación del modelo propuesto.
    • Verificación del modelo de prueba.
    • Optimización del modelo.
• Aplicación de técnicas de aprendizaje no supervisado:
  • Técnicas de aprendizaje no supervisado.
  • Algoritmos de aprendizaje no supervisado. Agrupación de cluster, Reducción de dimensión, entre otros.
  • Determinación de elementos y herramientas de Aprendizaje no supervisado.
  • Plataformas de aprendizaje automático no supervisado.
  • Fases del aprendizaje automático no supervisado.
• Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos:
  • Aprendizaje automático frente a aprendizaje profundo.
  • Cómo aprende una red neuronal.
  • Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).
• Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático:
  • Capacidad de generalización.
  • Test.
  • Validación.
  • Matriz de confusión.

Resultados de aprendizaje y criterios de evaluación:

1. Caracteriza lenguajes de programación valorando su idoneidad en el desarrollo de Inteligencia Artificial.

Criterios de evaluación:

• • a) Se ha identificado la estructura de un programa informático.
  • b) Se han valorado características en los lenguajes de programación adecuadas al tipo de aplicaciones a implementar.
  • c) Se ha determinado el lenguaje de programación más apropiado para el desarrollo de la aplicación.
  • d) Se han valorado características de los lenguajes de programación para el desarrollo de Inteligencia Artificial.
  • e) Se ha determinado el lenguaje de programación más apropiado para el desarrollo de la aplicación de Inteligencia Artificial.
  • f) Se han caracterizado lenguajes de marcado destacando la información que contienen sus etiquetas.

2. Desarrolla aplicaciones de Inteligencia artificial utilizando entornos de modelado.

Criterios de evaluación:

• • a) Se han evaluado plataformas de Inteligencia Artificial.
  • b) Se han caracterizado entornos de modelo de aplicaciones de Inteligencia Artificial.
  • c) Se ha definido el modelo que se quiere implementar según el problema planteado.
  • d) Se ha implementado la aplicación de Inteligencia Artificial.
  • e) Se han evaluado los resultados obtenidos.

3. Evalúa las mejoras en los negocios integrando convergencia tecnológica.

Criterios de evaluación:

• • a) Se han identificado las ventajas que ofrece unificar procesos, servicios, herramientas, métodos y sectores.
  • b) Se han identificado sistemas que facilitan la conexión tecnológica.
  • c) Se han evaluado las características de dichos sistemas.
  • d) Se ha evaluado como la convergencia tecnológica aporta seguridad en los negocios.
  • e) Se ha evaluado la mejora en la capacidad de toma de decisiones estratégicas en un negocio conectado.

4. Evalúa modelos de automatización industrial y de negocio relacionándolos con los resultados esperados por las empresas.

Criterios de evaluación:

• • a) Se han identificado las nuevas estrategias corporativas y modelos de negocio en las empresas.
  • b) Se ha definido la relación entre empresas y clientes y su efecto en la forma en que las empresas organizan y gestionan sus activos y recursos.
  • c) Se han evaluado modelos de automatización para los nuevos requerimientos industriales y de negocio.
  • d) Se ha evaluado la conveniencia de cada modelo para conseguir los resultados esperados por las empresas.

Contenidos:

• Caracterización de lenguajes de programación:
  • Programa informático. Etapas. Lenguajes de programación.
  • Principales características en un lenguaje de programación para IA. Bibliotecas. Rendimiento en ejecución. Herramientas. Soporte.
  • Principales Lenguajes de programación para Inteligencia Artificial: Python, R, Java, Javascript, NodeJS, JSON, entre otros.
  • Lenguajes de marcado. Información de sus etiquetas.
• Desarrollo de aplicaciones de IA:
  • Plataformas de IA: Librerías. Servicios. Ejemplos (Azzure, AWS. Amazon Alexa, Bixby, Microsoft Cortana, IBM Watson, Google Assistant, entre otras)
  • Entornos de modelado de IA:
    • Herramientas de modelado. Librerías, algoritmos y modelos predefinidos, recolección de datos, manipulación de datos, Evaluación de resultados. Ejemplos (Azure machine learning studio, SPSS modeler de IBM, Knime, entre otros).
    • Modelado de redes neuronales. Módulos predefinidos. Ejemplos (TensorFlow).
    • Herramientas de generación de código para crear software con comportamiento inteligente.
• Evaluación de la Convergencia tecnológica:
  • Conexión entre tecnologías: Voz, datos, sonido, imágenes.
  • Ventajas de la convergencia tecnológica.
  • Sistemas de convergencia electrónica: Blockchain, IoT, Cloud, entre otros.
  • Características de Blockchain.
  • Características de IoT.
  • Características de Cloud.
  • Seguridad en la convergencia tecnológica.
• Evaluación de modelos de automatización industrial y de negocio:
  • Estrategias corporativas. Tendencias.
  • Modelos de negocio. Tendencias.
  • Gestión de activos y recursos. Tendencias.
  • Modelos de automatización. Tendencias.

Resultados de aprendizaje y criterios de evaluación:

1. Aplica técnicas de análisis de datos que integran, procesan y analizan la información, adaptando e implementando sistemas que las utilicen.

Criterios de evaluación:

• • a) Se han identificado conceptos básicos de matemática discreta, lógica algorítmica y complejidad computacional, y su aplicación para el tratamiento automático de la información por medio de sistemas computacionales.
  • b) Se ha extraído de forma automática información y conocimiento a partir de grandes volúmenes de datos.
  • c) Se han combinado diferentes fuentes y tipos de datos.
  • d) Se ha construido un conjunto de datos complejos y se han relacionado entre sí.
  • e) Se han establecido objetivos y prioridades, secuenciación y organización del tiempo de realización.
  • f) Se han seleccionado e integrado sistemas de información que satisfacen las necesidades del problema.
  • g) Se han determinado criterios de coste y calidad necesarios para la eficacia y eficiencia de la implementación de un sistema Big Data.

2. Configura cuadros de mando en diferentes entornos computacionales usando técnicas de análisis de datos.

Criterios de evaluación:

• • a) Se han clasificado diferentes librerías e implementaciones de las técnicas de representación de la información.
  • b) Se ha cruzado información sobre el objetivo a conseguir y la naturaleza de los datos.
  • c) Se ha realizado un cuadro de mandos utilizando técnicas sencillas.
  • d) Se han utilizado técnicas predictivas complejas para anticiparse a lo que ocurra.
  • e) Se ha evaluado el impacto del análisis de datos en la consecución de los objetivos propuestos.

3. Gestiona y almacena datos facilitando la búsqueda de respuestas en grandes conjuntos de datos.

Criterios de evaluación:

• • a) Se han extraído y almacenado datos de diversas fuentes, para ser tratados en distintos escenarios.
  • b) Se ha fijado el objetivo de extraer valor de los datos para lo que es necesario contar con tecnologías eficientes.
  • c) Se ha comprobado que la revolución digital exige poder almacenar y procesar ingentes cantidades de datos de distinto tipo y descubrir su valor.
  • d) Se han desarrollado sistemas de gestión, almacenamiento y procesamiento de grandes volúmenes de datos de manera eficiente y segura, teniendo en cuenta la normativa existente.
  • e) Se han utilizado habilidades científicas en entornos de trabajo multidisciplinares.

4. Evalúa modelos de automatización industrial y de negocio relacionándolos con los resultados esperados por las empresas.

Criterios de evaluación:

• • a) Se han examinado distintos escenarios y tipologías de datos no estructurados.
  • b) Se ha implantado la aplicación de la BI (Business Intelligence) para la extracción de valor.
  • c) Se ha reconocido la importancia de almacenar grandes volúmenes de datos de forma distribuida y redundante en un clúster de máquinas.
  • d) Se han determinado las diferencias en el entorno de aplicaciones relacionadas que facilitan el procesamiento de datos de manera rápida, eficiente y eficaz.
  • e) Se ha comprobado la manera de programar y procesar automáticamente la estructura de datos.
  • f) Se han valorado las diferentes formas de visualizar los datos que nos interese representar gráficamente, facilitando así las tareas de análisis y presentación de resultados.

Contenidos:

• Aplicación de técnicas de integración, procesamiento y análisis de información:
  • Conceptos básicos de matemática discreta, lógica algorítmica y complejidad computacional para análisis de datos.
  • Técnicas y procesos de extracción de la información de los datos.
  • Modelado, razonamiento, resolución de problemas.
  • Análisis en tiempo real.
  • Costes y calidad asociados al proceso de análisis de la información.
• Configuración de cuadros de mando en entornos computacionales:
  • Técnicas de representación de información. Librerías e implementaciones. Estructuración de datos. Objetivos a cumplir.
  • Cuadro de mando: Fundamentos.
  • Métricas.
  • Principales métodos y algoritmos en la minería de datos. Modelos SEMMA Sample, Explore, Modify, Model, Assess) y CRISP-DM (Cross- Industry Standard Process for Data Mining), entre otros.
  • Fases de los modelos. Valoración. Interpretación. Despliegue.
• Gestión y almacenamiento de datos. Búsqueda de respuestas en grandes conjuntos de datos:
  • Sistemas de gestión Almacenamiento.
  • Importación: Flume, Sqoop.
  • Integración de datos.
  • Programación: R y Python.
• Aplicación de herramientas para la visualización de datos:
  • Datos no estructurados: Fuentes, tipología.
  • Inteligencia artificial en el análisis de datos.
  • Cluster de máquinas: Información distribuida y redundante.
  • Herramientas de visualización de datos: QlikView, QlikSense, Tableau, Power BI, Domo, Pentaho, MicroStrategy, Business Objects, RJMetrics, Klipfolio, entre otras.
  • Tendencias de visualización de datos.

Resultados de aprendizaje y criterios de evaluación:

1. Gestiona soluciones a problemas propuestos, utilizando sistemas de almacenamiento y herramientas asociadas al centro de datos.

Criterios de evaluación:

• • a) Se ha caracterizado el proceso de diseño y construcción de soluciones en sistemas de almacenamiento de datos.
  • b) Se han determinado los procedimientos y mecanismos para la ingestión de datos.
  • c) Se ha determinado el formato de datos adecuado para el almacenamiento.
  • d) Se han procesado los datos almacenados.
  • e) Se han presentado los resultados y las soluciones al cliente final en una forma fácil de interpretar.

2. Gestiona sistemas de almacenamiento y el amplio ecosistema alrededor de ellos facilitando el procesamiento de grandes cantidades de datos sin fallos y de forma rápida.

Criterios de evaluación:

• • a) Se ha determinado la importancia de los sistemas de almacenamiento para depositar y procesar grandes cantidades de cualquier tipo de datos rápidamente.
  • b) Se ha comprobado el poder de procesamiento de su modelo de computación distribuida.
  • c) Se ha probado la tolerancia a fallos de los sistemas.
  • d) Se ha determinado que se pueden almacenar tantos datos como se desee y decidir cómo utilizarlos más tarde.
  • e) Se ha visualizado que el sistema puede crecer fácilmente añadiendo módulos.

3. Genera mecanismos de integridad de los datos, comprobando su mantenimiento en los sistemas de ficheros distribuidos y valorando la sobrecarga que conlleva en el tratamiento de los datos.

Criterios de evaluación:

• • a) Se ha valorado la importancia de la calidad de los datos en los sistemas de ficheros distribuidos.
  • b) Se ha valorado que a mayor volumen de tratamiento de datos corresponde un mayor peligro relacionado con la integridad de los datos.
  • c) Se ha reconocido que los sistemas de ficheros distribuidos implementan una suma de verificación para la comprobación de los contenidos de los archivos.
  • d) Se ha reconocido el papel del servidor en los procesos previos a la suma de verificación.

4. Realiza el seguimiento de la monitorización de un sistema, asegurando la fiabilidad y estabilidad de los servicios que se proveen.

Criterios de evaluación:

• • a) Se han aplicado herramientas de monitorización eficiente de los recursos.
  • b) Se han recogido métricas, procesamiento y visualización de los datos.
  • c) Se han generado alertas para detectar un riesgo o mal funcionamiento.
  • d) Se ha comprobado que las herramientas usadas ofrecen un rendimiento elevado con rapidez.
  • e) Se ha comprobado la fiabilidad de los datos según respuestas.
  • f) Se ha analizado la estabilidad de servicios.

5. Valida las técnicas de Big Data para transformar una gran cantidad de datos en información significativa, facilitando la toma de decisiones de negocios.

Criterios de evaluación:

• • a) Se han seleccionado gran cantidad de datos estructurados y no estructurados para reforzar la función de BI.
  • b) Se ha realizado la limpieza y transformación de datos en base a los objetivos predeterminados.
  • c) Se ha comprobado que el Big Data multiplica la relevancia y la utilidad del BI para el negocio.
  • d) Se han conjugado dentro de un modelo de empresa datos de clientes, financieros de ventas, de productos, de marketing, de redes sociales, de la competencia, entre otros, para extraer un análisis valioso y efectivo para el negocio.
  • e) Se ha evaluado e interpretado la información extraída de los datos y su influencia en el triunfo de diferentes negocios.
  • f) Se ha simulado la implantación de un modelo de Inteligencia de negocios BI.

Contenidos:

• Gestión de soluciones con sistemas de almacenamiento y herramientas del centro de datos para la resolución de problemas:
  • Almacenamiento de datos masivo.
  • Procesamiento de datos.
  • Analítica de Big Data en los ecosistemas de almacenamiento.
  • Big Data y Cloud.
• Gestión de sistemas de almacenamiento y ecosistemas Big Data:
  • Computación distribuida. Computación paralela.
  • Sistemas de almacenamiento distribuidos. Tolerancia a fallos.
  • Herramientas:
    • Map Reduce.
    • Pig, Hive, Flume.
    • Sqoop, Oozie.
    • Automatización de Jobs.
    • Consultas Pig y Hive.
    • Otras herramientas.
• Generación de mecanismos de Integridad de los datos. Comprobación de mantenimiento de sistemas de ficheros:
  • Calidad de los datos.
  • Comprobación de la integridad de datos de los sistemas de ficheros distribuidos. Sumas de verificación.
  • Movimiento de datos entre clusters. Actualización y migración. Metadatos.
• Monitorización, optimización y solución de problemas:
  • Herramientas de monitorización: Interfaz web del Jobtracker y Namenode, entre otras.
  • Análisis de los históricos.
  • Monitorización del clúster: Ganglia, entre otros.
• Validación de técnicas Big Data en la toma de decisiones en Inteligencia de negocios BI:
  • Modelos de Inteligencia de negocios.
  • Proceso del modelo KDD (Knowledge Discovery in Databases).
  • Etapas: Selección, limpieza, transformación de datos, minería de datos, interpretación y evaluación de datos.
  • Implantación de modelos de inteligencia de negocios BI.
  • Técnicas de validación de modelos BI.