CERTIPROF

Big Data Professional Certificate (BDPC)

Código: BDPC-001


CertiProf® ofrece la certificación profesional en Big Data, para comprender la importancia del análisis de datos y cómo pueden obtener ideas que conduzcan a mejores decisiones y movimientos de negocios estratégicos. Big Data se refiere a un conjunto de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales. Esta certificación tiene como propósito enseñar a profesionales y organizaciones a identificar los problemas de una forma comprensible utilizando Big Data, para proporcionar soluciones útiles con la gran cantidad de información y con datos que pueden ser moldeados o probados de cualquier manera que se considere adecuada.

 Propuesta de Valor: CERTIPROF

 Duración: 20 Horas Académicas

Áreas de Conocimiento:
GERENCIALNEGOCIACION, VENTAS Y LIDERAZGOINTELIGENCIA DE NEGOCIOS Y DATA ANALITICS CIENCIA DE DATOS E INTELIGENCIA ARTIFICIALMETODOLOGIAS AGILES

   AUDIENCIA


Cualquier persona que esté interesada en ampliar sus conocimientos en Big Data y deseen cubrir unas necesidades no satisfechas por las tecnologías existentes, como es el almacenamiento y tratamiento de grandes volúmenes de datos.

   PRE REQUISITOS


No existen requisitos previos formales para esta certificación.

   OBJETIVOS


  • Comprender Big Data y sus poderosos beneficios comerciales.
  • Conocer las diferencias entre Big Data y datos convencionales.
  • Aprender las 4 V’s de Big Data: Volumen, velocidad, variedad y veracidad.
  • Conceptualizar el ecosistema Big Data y sus componentes claves.
  • Apreciar los principales desafíos tecnológicos en la administración de Big Data.
  • Relacionarse con las soluciones tecnológicas claves para abordar esos desafíos

   CERTIFICACIÓN DISPONIBLE



  • Código de certificación: BDPC.
  • Formato: opción múltiple.
  • Preguntas: 40.
  • Idioma: castellano.
  • Puntaje de aprobación: 24/40 o 60%
  • Duración: 60 minutos máximo.

  •    CONTENIDO



    1. CAPITULO 1 – INTEGRIDAD DE BIG DATA

    1.1. OBJETIVOS DE APRENDIZAJE
    1.2. INTEGRIDAD
    1.3. CONTEXTO DE BIG DATA
    1.4. DOS NIVELES DE BIG DATA
    1.5. CASELET: IBM WATSON
    1.6. ALCANCE DE BIG DATA
    1.7. LAS 4 V’S DE BIG DATA
    1.8. VOLUMEN
    1.9. VELOCIDAD
    1.10. VARIEDAD
    1.11. VERACIDAD
    1.12. APLICACIONES DE BIG DATA
    1.13. GESTION DE BIG DATA
    1.14. ECOSISTEMA DE BIG DATA
    1.15. ANALIZANDO BIG DATA
    1.16. TABLERO EN TIEMPO REAL
    1.17. RESUMEN DE DESAFIOS Y SOLUCIONES
    1.18. COMPARACION DE TRADICIONALES Y BIG DATA
    1.19. PREGUNTAS DE REVISION
    1.20. EJERCICIO PRACTICO DE LIBERTY STORES: PASO B1


    2. CAPITULO 2 – FUENTES Y APLICACIONES DE BIG DATA

    2.1. OBJETIVOS DE APRENDIZAJE
    2.2. ECOSISTEMA/ARQUITECTURA DE BIG DATA
    2.3. APLICACION DE GOOGLE FLU
    2.4. FUENTES DE BIG DATA SOURCES
    2.5. COMUNICACIONES ENTRE PERSONAS
    2.6. COMUNICACIONES ENTRE PERSONAS Y MAQUINAS
    2.7. COMUNICACIONES MAQUINA A MAQUINA
    2.8. APLICACIONES DE BIG DATA
    2.9. MONITOREO DE SENSIBILIDAD DEL CONSUMIDOR
    2.10. APLICACIONES DE BIG DATA
    2.11. APLICACION DE VIGILANCIA PREDICTIVA
    2.12. APLICACIONES DE BIG DATA
    2.13. SEGURO DE AUTOMOVIL FLEXIBLE
    2.14. PREGUNTAS DE REVISION
    2.15. EJERCICIO PRACTICO DE LIBERTY STORES: PASO B2


    3. CAPITULO 3 – ARQUITECTURAS DE BIG DATA

    3.1. OBJETIVOS DE APRENDIZAJE
    3.2. ARQUITECTURA DE GOOGLE QUERY
    3.3. ECOSISTEMA / ARQUITECTURA DE BIG DATA
    3.4. CAPAS EN ARQUITECTURA DE BIG DATA
    3.5. ARQUITECTURA IBM WATSON
    3.6. ARQUITECTURA DE NETFLIX
    3.7. ARQUITECTURA DE VMWARE
    3.8. ARQUITECTURA DE UNA COMPANIA METEOROLOGICA
    3.9. ARQUITECTURA DE TICKETMASTER
    3.10. ARQUITECTURA DE LINKEDIN
    3.11. ARQUITECTURA DE PAYPAL
    3.12. ECOSISTEMA DE HADOOP
    3.13. PREGUNTAS DE REVISION
    3.14. EJERCICIO PRACTICO DE LIBERTY STORES: PASO B3


    4. CAPITULO 4 – COMPUTACION DISTRIBUIDA UTILIZANDO HADOOP

    4.1. OBJETIVOS DE APRENDIZAJE
    4.2. ECOSISTEMA / ARQUITECTURA DE BIG DATA
    4.3. HADOOP Y MAPREDUCE DEFINIDOS
    4.4. ¿POR QUE LA COMPUTACION EN CLUSTER?
    4.5. ARQUITECTURA DE HADOOP: FRAGMENTACION DE DATOS
    4.6. ARQUITECTURA MAESTRO-ESCLAVO
    4.7. ARQUITECTURA DE LECTURA Y ESCRITURA DEL SISTEMA DE ARCHIVOS DISTRIBUIDOS HADOOP (HDFS)
    4.8. CARACTERISTICAS DE HDFS
    4.9. INSTALANDO HDFS
    4.10. YET ANOTHER RESOURCE NEGOTIATOR (YARN)
    4.11. PREGUNTAS DE REVISION


    5. CAPITULO 5 – PROCESAMIENTO PARALELO CON MAPREDUCE

    5.1. OBJETIVOS DE APRENDIZAJE
    5.2. ARQUITECTURA DE BIG DATA
    5.3. ARQUITECTURA DE MAPREDUCE
    5.4. ARQUITECTURA MAESTRO-ESCLAVO EN MAPREDUCE
    5.5. PAPEL DE MAPREDUCE 2004
    5.6. SECUENCIA DE MAPREDUCE
    5.7. MR FUNCIONA COMO UNA SECUENCIA DE UNIX
    5.8. CONTADOR DE PALABRAS USANDO MAPREDUCE
    5.9. CONTEO DE PALABRAS USANDO MAPREDUCE – EJEMPLO 2
    5.10. SEUDO CODIGO MAPR PARA CONTADOR DE PALABRAS
    5.11. EJEMPLO DE CONTADOR DE PALABRAS (INGLES): MYFILE.TXT
    5.12. RESULTADOS DE CADA SEGMENTO
    5.13. RESULTADOS AGRUPADOS DE MAP OPERATIONS
    5.14. RESULTADOS LUEGO DE LA FASE DE REDUCCION
    5.15. PIG VS HIVE
    5.16. LENGUAJE DE HIVE
    5.17. ARQUITECTURA DE LENGUAJE PIG
    5.18. PREGUNTAS DE REVISION


    6. CAPITULO 6 – BASES DE DATOS NOSQL

    6.1. OBJETIVOS DE APRENDIZAJE
    6.2. ARQUITECTURA DE BIG DATA
    6.3. BASES DE DATOS NOSQL
    6.4. NOSQL VS RDBMS
    6.5. TEOREMA CAP
    6.6. ARQUITECTURA NOSQL
    6.7. TIPOS DE BASES DE DATOS NOSQL
    6.8. ARQUITECTURAS NOSQL POPULARES
    6.9. PROCESOS DE CASSANDRA
    6.10. LENGUAJES DE ACCESO NOSQL - HIVE
    6.11. LENGUAJES DE ACCESO NOSQL - PIG
    6.12. PREGUNTAS DE REVISION


    7. CAPITULO 7 – PROCESAMIENTO STREAM CON SPARK

    7.1. OBJETIVOS DE APRENDIZAJE
    7.2. ARQUITECTURA DE BIG DATA
    7.3. COMPUTACION DEFINIDA EN STREAM
    7.4. CONCEPTOS DE STREAMING
    7.5. APLICACIONES DE STREAMING
    7.6. CARACTERISTICAS DEL ALGORITMO DE STREAMING
    7.7. FILTRO BLOOM
    7.8. APACHE SPARK PARA COMPUTACION STREAMING
    7.9. ECOSISTEMAS DE CODIGO ABIERTO
    7.10. ARQUITECTURA DE APACHE SPARK
    7.11. SPARK VS HADOOP
    7.12. CONJUNTOS DE DATOS DISTRIBUIDOS RESILIENTES DE SPARK (RDD)
    7.13. MECANISMO DE PROCESAMIENTO SPARK
    7.14. CODIGO DE SPARK PARA PAGERANK
    7.15. PREGUNTAS DE REVISION


    8. CAPITULO 8 – NUEVA INGESTION DE DATOS

    8.1. OBJETIVOS DE APRENDIZAJE
    8.2. ARQUITECTURA DE BIG DATA
    8.3. SISTEMA DE INGESTION DE DATOS
    8.4. SISTEMAS DE MENSAJERIA
    8.5. ARQUITECTURA DE APACHE KAFKA
    8.6. COMPONENTES DE KAFKA
    8.7. MECANISMO DE TOPICOS DE KAFKA
    8.8. ATRIBUTOS CLAVE DE KAFKA
    8.9. PREGUNTAS DE REVISION


    9. CAPITULO 9 - COMPUTACION EN LA NUBE

    9.1. OBJETIVOS DE APRENDIZAJE
    9.2. ARQUITECTURA DE BIG DATA
    9.3. COMPUTACION EN LA NUBE
    9.4. MODELO DE ACCESO A LA COMPUTACION EN LA NUBE
    9.5. COMPUTACION EN LA NUBE COMO UNA INFRAESTRUCTURA VIRTUALIZADA
    9.6. BENEFICIOS DE LA COMPUTACION EN LA NUBE
    9.7. MODELOS DE COMPUTACION EN LA NUBE – POR PROPIEDAD Y RANGO DE SERVICIOS
    9.8. PREGUNTAS DE REVISION


    10. CAPITULO 10 – APLICACION DE ANALISIS WEB

    10.1. OBJETIVOS DE APRENDIZAJE
    10.2. ARQUITECTURA DE WEB-ANALYZER
    10.3. TECNOLOGIA
    10.4. CODIGO DE APLICACION
    10.5. PREGUNTAS DE REVISION



       BENEFICIOS




       INVERSIÓN