CURSO EXPERTO EN DATA SCIENCE Y VISUALIZACIÓN DE DATOS
MODALIDAD: ONLINE
FECHA: SIN FECHA (375 horas)
PRECIO: 1.999€ (matrícula normal) | 1.799€ (matrícula estudiante/desempleado)
EMPRESAS: Subvencionable a través de la FUNDACIÓN ESTATAL PARA LA FORMACIÓN EN EL EMPLEO
En la actualidad, gestionar el Big Data y extraer conclusiones de valor es un desafío creciente. Esta formación unifica tres cursos especializados de TYC GIS que abordan los pilares de la ciencia de datos: Machine Learning, Deep Learning y Visualización de Datos. A través del análisis de datos geoespaciales (vectoriales y ráster) con herramientas innovadoras, el alumnado adquirirá las competencias necesarias para convertirse en Data Scientists capaces de desarrollar proyectos profesionales de forma accesible y coherente.
Modalidad Online:
- Acceso 24 horas a nuestra plataforma virtual con contenidos, ejercicios y foros.
- Tutorías en tiempo real con el profesor (2 horas/semana).
- Envía tus dudas al profesor por mensaje privado o correo electrónico en cualquier momento.
La formación a distancia se realiza a través de la plataforma online Moodle, disponible 24 horas. Permite a los alumnos acceder a contenidos, realizar prácticas, consultar al equipo docente y disponer de recursos y ayuda en todo momento. El profesorado apoya y aclara dudas para fomentar la autonomía del alumno.
- Capacitar al alumnado en las últimas tendencias y metodologías de la ciencia de datos (Data Science) aplicadas a los Sistemas de Información Geográfica (SIG).
- Dar a conocer los programas y extensiones clave para analizar, visualizar y extraer conclusiones de valor a partir de datos espaciales.
- Desarrollar proyectos prácticos que garanticen la asimilación de los conocimientos y permitan su aplicación directa en el entorno profesional.
Este curso está dirigido a estudiantes y profesionales que deseen potenciar su perfil en Data Science y visualización de información.
Para optimizar el aprovechamiento de la formación, se requieren conocimientos básicos de estadística y del manejo de herramientas SIG. Asimismo, es necesario disponer de un ordenador con sistema operativo Windows 10 (o superior) y una tarjeta gráfica (GPU) compatible con CUDA para los módulos de computación avanzada.
BLOQUE I: CURSO DATA SCIENCE
PARTE I: 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 de puntos
- 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: LOS 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
BLOQUE II: CURSO DEEP LEARNING
Ud.1 - PROGRAMACIÓN EN PYTHON
- Introducción a Anaconda
- Fundamentos de Python
- Instalación de librerías y de un entorno para Deep Learning y SIG
- Numpy: Manejo y operaciones con arrays
- Gráficas con Matplotlib
- Pandas, manipulación de datos
- Evaluación
Ud.2 - INTRODUCCIÓN AL MACHINE LEARNING
- Inteligencia artificial, Machine Learning frente a enfoque tradicional
- Tipos de sistemas de Machine Learning
- ¿Cómo aprenden los ordenadores?
- Aprendizaje supervisado con Scikit-Learn
- ¿Qué es Deep Learning?
- Deep Learning aplicado a imágenes aéreas
- Keras y Tensorflow
- Evaluación
Ud.3 - DEEP LEARNING: REDES NEURONALES
- ¿Qué es una red neuronal artificial?
- Aprendizaje en redes neuronales artificiales
- Evaluación del modelo
- Generalización, sobreajuste, regularización
Práctica 1: Clasificación de tipos de suelo en imágenes de Sentinel 2.
Evaluación
Ud.4 - REDES NEURONALES CONVOLUCIONALES
- Ventajas de las redes neuronales convolucionales (CNN)
- Estructura y componentes
- Práctica 2: Clasificación de tipos de suelo en imágenes de Sentinel 2 con CNN
- Arquitecturas relevantes y aprendizaje por transferencia
- Aumento de datos y generadores de datos
Práctica 3: Clasificación de escenas en imágenes de Google Earth con CNN
Ud.5 - DETECCIÓN DE OBJETOS
- Estrategias y arquitecturas para la detección de objetos
- Evaluación de modelos de detección
- RetinaNet
- Descripción e instalación de la implementación
Práctica 4: Detección de árboles con RetinaNet
Práctica 5: Detección de vehículos con RetinaNet
Evaluación
Ud.6 - SEGMENTACIÓN SEMÁNTICA
- ¿Qué es la segmentación semántica?
Práctica 6: Implementación de un modelo para segmentar edificios en imágenes de satélite.
- Arquitecturas relevantes para la segmentación
- Evaluación de modelos de detección.
- U-Net
- Descripción e instalación de la implementación
Práctica 7: Segmentación de edificios en imágenes de satélite con U-Net.
Evaluación.
Ud.7 - MANIPULACIÓN DE DATOS SIG EN PYTHON
- Manipulación de datos en formato ráster
- Manipulación de datos en formato vectorial
Práctica 8: Implementación de un sistema de Deep Learning con datos en formato SIG.
Evaluación.
BLOQUE III: CURSO VISUALIZACIÓN DE DATOS CON TABLEAU
Ud.1 - INTRODUCCIÓN VISUALIZACIÓN DATOS Y TABLEAU
- Introducción a la visualización de datos. Definición y tipos
- ¿Qué es Tableau?
- Descripción de los diferentes productos
- Alta como usuario e instalación aplicaciones
- Partes que forman la interfaz.
- Las hojas y el Dashboard
- Barra de herramientas “Mostrarme”
- Administración de la ayuda y los recursos de Tableau.
Evaluación
Ud.2 - TRABAJANDO CON BASES DE DATOS
- ¿Qué es una base de datos?
- Búsqueda de fuentes de datos
- Descarga de información
- ¿Cómo organizar tus datos para visualización?
- Buenas prácticas y calidad de datos
- Uniones.
- Relaciones entre datos, gestión de consultas y filtros
- Los metadatos.
Evaluación
Ud.3 - VISUALIZACIÓN
- Buenas prácticas en el desarrollo de simbología y el diseño de la visualización.
- ¿Qué es un Dashboard? Tipos
- ¿Cómo realizar una visualización con tus datos en Tableau?
- Dashboard, historias y animaciones
- Realización de mapas
- Integración con Mapbox y servicios (WMS)
Ud.4 - ANÁLISIS
- Nociones para la realización de análisis de datos en Tableau
- Tipos de análisis.
- Realización de estadísticas en Tableau
- Realización de cálculos en Tableau
- Generación de gráficas
- Elaboración de diferentes tipos de gráficos.
- Obtención de información de valor desde tus datos
Evaluación
Ud.5 - ¿CÓMO CONTAR UNA HISTORIA GRÁFICA? DATA STORELLING
- Flujo de trabajo para desarrollar una historia gráfica en Tableau
- Otras herramientas de visualización de datos
- ¿Qué es una infografía?
- Pasos para crear una infografía
- Maneras de obtener inspiración
- Ejemplos
Evaluación.
Ud.6 - PROYECTO TABLEAU
- Publicación de la visualización
- ¿Cómo compartir tu proyecto desarrollado con Tableau?
- Pautas para crear un proyecto sobre visualización de datos
Evaluación
BLOQUE IV: DESARROLLO PROYECTO DEL CURSO
En esta unidad se establecerán las bases para el desarrollo del proyecto del curso.
El curso comienza desde cero en el aprendizaje de los lenguajes de programación y Tableau. No obstante, es muy recomendable contar con conocimientos previos en informática, SIG y teledetección para aplicar los contenidos de manera más efectiva.
Asimismo, se aconseja disponer de un equipo con una GPU compatible con CUDA; de lo contrario, el entrenamiento de los modelos más complejos puede requerir tiempos excesivamente largos. Como alternativa, existe la opción de utilizar Google Colab para entrenar los modelos en la nube de forma gratuita, aunque esta plataforma cuenta con ciertas limitaciones de tiempo y potencia.
Paso 2. Una vez recibido, te enviaremos un mensaje de confirmación con los pasos para el pago.
Paso 4. Recibirás la confirmación de tu matrícula.
Consulta nuestra *Política de devolución.
TRANSFERENCIAS NACIONALES:
NÚMERO DE CUENTA: 0049 1809 222710347481 (Banco Santander)
BENEFICIARIO: TYC GIS Soluciones Integrales SL
CONCEPTO: “Nombre Alumno” y EXPERTO DATA SCIENCE
TRANSFERENCIAS INTERNACIONALES:
NOMBRE DEL BANCO: Banco Santander
DIRECCIÓN DEL BANCO: Glorieta Ruiz Jiménez 1, 28015 Madrid (España).
BENEFICIARIO: TYC GIS Soluciones Integrales SL
DIRECCIÓN DEL BENEFICIARIO: Bravo Murillo 50, 1ºC, 28003, MADRID
NÚMERO DE CUENTA: ES90 0049 1809 222710347481
SWIFHT: BSCHESMM – IBAN: ES90
Si tiene dificultades para realizar el pago, contacte con formacion@tycgis.com.
(39 votos, promedio: 4,69 de 5)
Cargando...
