Agenda institucional 2026.
Actualidad universitaria.
Participa en foros y eventos.
La emisora neogranadina.
Contacto con dependencias.
Biblioteca y repositorios.
Portal de pagos.
Merchandising institucional.
Tu acceso digital a la UMNG.
Explora nuestras sedes.
Plantillas y contenidos.
La UMNG te escucha.
Agenda institucional 2026.
Actualidad universitaria.
Participa en foros y eventos.
La emisora neogranadina.
Contacto con dependencias.
Biblioteca y repositorios.
Portal de pagos.
Merchandising institucional.
Tu acceso digital a la UMNG.
Explora nuestras sedes.
Plantillas y contenidos.
La UMNG te escucha.
El diplomado en Big Data y analítica de datos, está orientado a fortalecer los conocimientos, prácticas y aplicaciones en el tratamiento, procesamiento y analítica de datos en los diferentes campos del conocimiento para la toma de decisiones.
El tratamiento y análisis de datos masivos se conoce como Big Data y es una de las claves fundamentales para la gestión eficaz en las empresas.
Las tecnologías Big Data se emplean actualmente en la mayoría de las áreas o disciplinas y en distintos sectores que van desde la salud hasta el sector industrial. La creciente generación de datos digitales obtenidos como resultado de las aplicaciones móviles, las redes sociales y los procesos relacionados con el internet de las cosas, constituyen una ventana para la extracción de conocimiento de manera eficiente, expedita y accesible.
Adicionalmente a la aplicación de las tecnologías Big Data, se ha confirmado con resultados cuantificables la eficiencia que aporta la ciencia de datos para la toma de decisiones orientadas a optimizar la rentabilidad de las empresas, acrecentar el retorno de la inversión, consolidar el posicionamiento de los productos, perfeccionar la experiencia del usuario, responder a iniciativas regulatorias y proveer productos y servicios conforme con los requerimientos, costumbres y perfiles de los diversos clientes o usuarios en general.
Al finalizar el curso el estudiante deberá estar en capacidad de:
Toda persona interesada en adquirir habilidad en el manejo avanzado de datos y su respectivo análisis.
El estudiante debe demostrar competencias en el manejo de cada herramienta con el desarrollo de los talleres y guías de trabajos de las clases y los trabajos que se le soliciten.
Adicionalmente, debe asistir mínimo al 80% de las horas de clase programadas.
La evaluación mide el:
Al finalizar el diplomado, se entregará una certificación de asistencia y aprobación.
Para el logro de los objetivos planteados, el programa del diplomado contempla:
Para el desarrollo de las clases:
5 modulos
Definición y generalidades
Tipos de datos
Calidad de los datos
Gestión de los datos
Generación de datos
Adquisición de datos
Almacenamiento
Análisis de los datos
Tecnologías de los Big Data
Hadoop
Hadoop Distributed File System (HDFS)
MapReduce
Hadoop Ecosystem
Plataformas de Big Data en la Nube
Las nuevas BBDD
Características de las BBDD NoSQL
Tipos de Bases de Datos NoSQL
Bases de datos Clave Valor
Bases de datos documentales
Bases de datos en grafo
Bases de datos orientada a objetos
Bases de datos orientadas en columna
Modelo híbrido
Comparación principal BBDD NoSQL
Ejemplos de bases de datos NoSQL
Hbase
DynamoBD
MongoBD
Casandra
Redis
Metodología PMBOK
Etapas en el diseño de un proyecto Big Data
Gestión del proyecto y seguimiento
Reelección de OBMA en 2012
Amazon y sus empleados
Wall-Mart
Usos de Big Data
Naturaleza de los datos masivos
Fuentes de generación de datos masivos
Dificultades computacionales
Visualización de datos masivos
Gráficas
Coordenadas paralelas
Gráficas interactivas
Proyecciones
Métodos de clasificación de datos
Análisis discriminante
Algoritmo de k- vecinos más cercanos
Modelos de regresión
Redes bayesianas
Árboles de decisión
Técnicas de Machine Learning
Métodos kernel
Máquinas de soporte vectorial
Algoritmo EM
Modelo de mezclas gaussianas
Redes neuronales
Introducción
Características de R y RStudio
Operaciones en R
Tipos de Datos
Carga de datos estructurados
Carga de datos no estructurados
Análisis de datos
Distribuciones de frecuencia
Herramientas de visualización de datos
Análisis descriptivo de datos
Principios de estadística inferencial
Análisis gráfico
Manipulación de texto
Web scraping
Manipulación básica de texto
JSOM y XML
Representación gráfica
Estadística y ciencia de datos con R
Árboles de decisión
Igualdad de medias
Modelos de regresión
Clústering con k – medias
Introducción a Knime Power BI
Entorno de Knime Power BI
Repositorio de nodos
Acciones básicas
Construcción de un flujo de datos
Acceso a datos
Leer datos de archivos
Carga de bases de datos
Servicios en línea
Otras fuentes de datos
ETL y manipulación de datos
Filtrado de filas y columnas
Trabajo y concatenación
Transformación: conversión, reemplazo, estandarización
Preparación de datos para análisis
Exportar datos
Escribir en un archivo
Generar informes
Análisis y visualización de datos
Histogramas
Datos paralelos
Matriz de puntos
Gráfico lineal
Análisis predictivo
Conceptos básicos de minería de datos
Regresiones
Elaboración del modelo (Clúster y árboles de decisión)
Evaluación del modelo
Control de flujo
Parametrización del flujo de trabajo: Variables de flujo
Ejecución de partes del flujo: Bucles
Limpiar el flujo de trabajo
Departamento de Tecnologías del Conocimiento
PBX: 650 0000 – Extensiones:
Bogotá, Villa Académica: 1220-1221-1222
Bogotá, Facultad de Medicina: 2127
Cajicá, Campus: 3042
e-mail:
tecnologias.conocimiento@unimilitar.edu.co
tecnologias.conocimientocampus@unimilitar.edu.co
¿Te fue útil esta información?