CURSO ONLINE SOBRE DATA SCIENCE APLICADO A LOS SIG

MODALIDAD: ONLINE

INICIO: 26 DE MAYO - 29 DE JULIO (150 horas)

PRECIO: 1.080€ (matrícula normal) | 972€ (matrícula estudiante/desempleado)

EMPRESAS: Subvencionable a través de la FUNDACIÓN ESTATAL PARA LA FORMACIÓN EN EL EMPLEO

Vivimos rodeados de datos y cada vez es más complicado gestionar y obtener conclusiones con el gran volumen de información (Big Data) que existe en la actualidad.

Este curso ofrece las nociones fundamentales y las herramientas adecuadas para gestionar y analizarlos de manera eficaz obteniendo el máximo partido de ellos.

A lo largo del curso, el alumno aprenderá desde el manejo básico de esos datos, pasando por la iniciación en la estadística y llegando al tratamiento con algoritmos avanzados de Machine Learning. Se trabajará con programas que permiten la creación de gráficas de manera que la visualización de ese trabajo permitirá entender mejor los resultados.

Al final del curso, los alumnos habrán adquirido los conocimientos necesarios para ser un Data Scientist con los que mostrar y analizar información geoespacial, de una manera accesible, intuitiva y profesional.

  • Enseñar al alumno los conocimientos más actuales y novedosos en el campo del análisis de datos científicos (Data Science) asociados con los Sistemas de Información Geográfica (SIG).
  • Conocer los programas y extensiones que permiten al usuario analizar sus datos científicos.
  • Realizar ejercicios prácticos que permitan al alumno la asimilación de conocimientos en este área de manera que pueda desarrollar proyectos en este sentido.

El curso está dirigido a todos aquellos estudiantes y profesionales que estén interesados en mejorar su perfil profesional en Data Science.

PARTE 1: INTRODUCCIÓN AL LENGUAJE DE PROGRAMACIÓN R

Ud.1 - PROGRAMACIÓN CON R

  • ¿Qué es R?
  • Instalación de software
  • Desarrollo proyecto en RStudio
  • Vectores y Matrices
  • Listas
  • DataFrames
  • ¿Qué hacer con los Missing Values?
  • Evaluación

Ud.2 – ESTADÍSTICA EN R

  • Funciones estadísticas
  • Tipo de estadística por grupo de datos
  • Relación entre variables
  • Distribuciones de probabilidad
  • Correlación multivariable
  • Descripción de dataset
  • Gráficos de nubes depuntos
  • Matrices de gráficos
  • Trabajando con variables cualitativas
  • Evaluación

PARTE II. MACHINE LEARNING

Ud.3 - INTRODUCCIÓN A MACHINE LEARNING

  • Introducción a Machine Learning
  • Tipos de algoritmos
  • Diferencia entre aprendizaje supervisado y no supervisado
  • Aprendizaje supervisado
  • Aprendizaje no-supervisado
  • Aplicaciones de Machine Learning
  • Evaluación

Ud.4 – REGRESIÓN LINEAL

  • Errores en la estimación
  • Regresión lineal simple
  • Residual Sum of Squares (RSS)
  • Análisis de los parámetros estimados
  • Estimación de parámetros en R
  • Precisión del ajuste del modelo
  • Regresión Lineal Múltiple
  • Gráficos
  • Evaluación

Ud.5 - MACHINE LEARNING

  • Regresión logística
  • Clasificación K Nearest Neighbors (K-NN)
  • Árboles de decisión
  • Support Vector Machines (SVM)
  • Evaluación

Ud.6 - CLUSTERING

  • K-means Clustering
  • Hierarchical Clustering
  • Evaluación

PARTE III. SISTEMAS DE INFORMACIÓN GEOGRÁFICA Y MACHINE LEARNING

Ud.7 - ANÁLISIS DE DATOS VECTORIALES Y R

  • Capas vectoriales tipo punto
  • Capas vectoriales tipo línea
  • Capas vectoriales tipo polígono
  • Uso del paquete “rgeos“
  • Evaluación

Ud.8 - TRATAMIENTO DE DATOS RÁSTER Y R

  • Lectura de un archivo ráster
  • Visualización de datos ráster
  • Acceso a los datos del archivo ráster
  • Visualización avanzada con RasterVis
  • Conversión ráster a vectorial.
  • Conversión de Spatial DataFrame a DataFrame
  • Descripción ráster satélite Landsat
  • Evaluación

Ud.9 - TRABAJANDO CON DATOS SIG

  • Uso de datos SIG en R
  • Machine Learning en un SIG
  • Evaluación

PARTE IV: INTERACCIÓN CON LOS DATOS

Ud.10 - ¿QUÉ ES RSHINY?

  • Despliegue aplicación web interactiva
  • Evaluación

PARTE V: PROYECTO

Ud.11 - DESARROLLO PROYECTO DEL CURSO

En esta unidad se establecerán las bases para el desarrollo del proyecto del curso