[general_dat] Días de Labos - "Datos Masivos para Aprendizaje Automático"

[Sergio D'Arrigo]

Hola, ¿cómo están?
Les informo que ya quedó definido el día de los labos, queda así:

   - Las clases serán los días martes de 18 a 22 hs, excepto 3 clases que
   serán sábado de 9:30 a 12:30 (labo).
   - Queda por definir aún cuáles serán los 3 sábados puntuales, la idea es
   que estén distribuidos durante el cuatri (y que no sean en findes
   largos....)

Aprovecho para comunicarles que estaba habiendo un inconveniente para
visualizar la materia en el SIU para inscribirse (no aparecía como opción
para Ciencia de Datos), será solucionado a la brevedad posible. Cualquier
cosa no duden en contactarme.

Saluti
Sergio


El mar, 11 feb 2025 a las 14:38, Sergio D'Arrigo (<sergio.darrigo at gmail.com>)
escribió:

> Hola!, ¿cómo están?
>
> Les invitamos a cursar la materia "*Datos Masivos para Aprendizaje
> Automático*", que se dictará este primer cuatrimestre de forma presencial.
>
>
>
> *Días y horarios*
>
> Las clases serán los días martes de 18 a 22 hs., con excepción de tres
> clases de laboratorio (con día y hora a confirmar)
>
>
>
> *Correlatividad*
>
> - Para Ciencias de la Computación: Bases de Datos
>
> - Para Ciencia de Datos: Introducción a las Bases de Datos
>
> Se pide esto porque se requieren algunos conceptos básicos brindados en
> esas materias (bbdd, SQL, normalización)
>
>
>
> *Puntaje*: 3 puntos para Licenciatura en Ciencias de la Computación, 64
> hs para Licenciatura en Ciencia de Datos
>
>
>
> A continuación les acercamos una descripción y el programa.
>
>
>
> Cualquier duda que les surja no duden en escribirnos!
>
>
>
> Les esperamos
>
> Saluti
> Sergio
>
>
> *Breve Descripción *
>
> En la era del Big Data, podríamos decir que los datos nos hablan. A través
> del análisis y la inteligencia artificial, podemos escucharlos y
> transformarlos en conocimiento útil para la toma de decisiones.
>
>
> Pero el camino no es sencillo. Los datos no vienen a golpearnos la puerta:
> debemos recolectarlos, organizarlos y gestionarlos de manera eficiente para
> que estén disponibles cuando los necesitemos. Ya sea que querramos
> desarrollar modelos de aprendizaje automático, realizar análisis ad-hoc o
> construir tableros de control, disponer de los datos adecuados en el
> momento preciso es un desafío permanente.
>
> Más aún cuando los datos provienen de múltiples fuentes implementadas
> sobre diferentes plataformas tecnológicas, en distintos formatos, con
> volúmenes masivos y frecuencias de actualización heterogéneas. En la
> industria, las necesidades varían y no existe una única solución que las
> resuelva a todas. Hay variadas estrategias para la obtención,
> almacenamiento, procesamiento y acceso a los datos, desde los data
> warehouses clásicos hasta los más recientes data lakes y arquitecturas
> híbridas modernas y soluciones cloud.
>
> En este curso, de modalidad teórico práctica, exploraremos estas
> arquitecturas y sus conceptos clave, desde su concepción hasta su
> implementación, y presentaremos las nuevas tendencias emergentes.
> Ejercitaremos sobre un caso de estudio y realizaremos algunos talleres en
> laboratorio.
>
>
> En el mundo del Big Data, no se trata sólo de almacenar información, el
> plus está en convertirla en valor.
>
>
> *Programa*
>
>    - *Introducción y motivación*: Introducción. Importancia de los datos
>    y rol de la analítica. Organizaciones “Data Driven”. Clasificación de los
>    tipos de datos. ¿Qué entendemos por datos masivos? Desafíos para la
>    inteligencia artificial y la analítica. Acceso e ingesta. Procesamiento.
>    Integración. Almacenamiento. Explotación y visualización.
>    - *Modelos y Diseño de Almacenamiento de Datos Masivos*: Principales
>    soluciones de almacenamiento de datos masivos. Modelos multidimensionales.
>    Conceptos de Data Warehouse y Data Lake y arquitecturas híbridas.
>    Arquitectura, modelización, diseño. Linaje y gobierno de datos. Protección
>    de datos personales. Soluciones cloud.
>    - *Procesos de ingesta de datos masivos*: Implementación. Ingesta,
>    almacenamiento y actualización. ETL, ELT, ETL Inverso. Ingesta en batch y
>    en tiempo real. Integridad y calidad. DataOps.
>    - *Explotación, visualización y análisis de datos masivos*:
>    Exploración, BI, Aprendizaje Automático. Utilización de sandbox analíticos.
>    MLOps.
>    - *Nuevas tendencias para almacenamiento de datos masivos*: Variantes
>    de data warehouses. Data warehouses y Big Data. Data lakehouses.
>    Utilización de IA para extracción de características. Estado del arte.
>
>
>