Ce cours fait partie de la Spécialisation Big Data – Introducción al uso práctico de datos masivos

Francesc Torradeflot +3 enseignants de plus

Offert par

Spécialisation Big Data – Introducción al uso práctico de datos masivos Université autonome de Barcelone

À propos de ce cours

9,895 consultations récentes

En este último curso de la Especialización Big Data el estudiante tendrá la oportunidad de aplicar algunas de las herramientas y métodos aprendidos en los cursos anteriores en un caso práctico.
El objetivo de este Capstone Project es mostrar un ejemplo del trabajo que se realiza diariamente en el departamento de Cosmología del Port d’Informació Científica, en Barcelona. Se trata de crear un clasificador para imágenes de galaxias, a partir de datos del proyecto GalaxyZoo e imágenes y datos del telescopio Sloan Digital Sky Survey. Los trabajos y ejercicios guiados llevarán al estudiante a la exploración y analisis de estos datos, hasta realizar una herramienta automática de Machine Learning.

El proceso seguido por los estudiantes en este curso se podría aplicar en cualquier otra disciplina, por ejemplo en las ciencias sociales, en un estudio de mercado o en cualquier ámbito que comporte toma de decisiones a partir de un gran volumen de datos.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 5 sur 5 dans le

Spécialisation Big Data – Introducción al uso práctico de datos masivos

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau avancé

Approx. 13 heures pour terminer

Espagnol

Sous-titres : Espagnol

Enseignants

Évaluation de l'enseignant

4.5/5 (6 notes)

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 5 sur 5 dans le

Spécialisation Big Data – Introducción al uso práctico de datos masivos

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau avancé

Approx. 13 heures pour terminer

Espagnol

Sous-titres : Espagnol

Offert par

Université autonome de Barcelone

The Universitat Autònoma de Barcelona (UAB) is a public university located in the metropolitan area of Barcelona. International in its outlook, it is fully consolidated within its local surroundings, and offers quality education in close association with research activity, the transfer of scientific, technological, cultural and educational knowledge, the promotion of its human potential and the responsible management of available resources.

Programme du cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

1 heure pour terminer

INTRODUCCIÓN

1 heure pour terminer

8 lectures

8 lectures

BIENVENIDA1 min

Contenidos del curso (Temario)3 min

Organización del curso y evaluación10 min

Sobre el certificado2 min

FAQs - Generales10 min

FAQs - Cuestionarios y ejercicios10 min

FAQs - Certificado10 min

Links relacionados2 min

1 heure pour terminer

LA MÁQUINA VIRTUAL

ATENCIÓN: Si ya te instalaste la máquina virtual en el curso anterior de la Especialización no es necesario que vuelvas a hacerlo. En caso contrario, en este apartado te explicamos cómo descargar e instalar dicha máquina virtual en tu ordenador. La MV-Cloudera requiere disponer de un equipo con las siguientes características: (1) máquina de 64 bits, (2) mínimo 6G de memoria (recomendable 8G), y (3) 20G disponibles en disco. Ten en cuenta que bajar e instalar la máquina virtual te llevará tiempo dado el tamaño y complejidad de la misma

1 heure pour terminer

4 vidéos (Total 16 min), 4 lectures

4 vidéos

Introducción3 min

Instalación de la máquina virtual - Import start4 min

Instalación de la máquina virtual - Tips3 min

Instalación de la máquina virtual - Pyspark setup4 min

4 lectures

Link para la descarga de la MV_Cloudera20 min

Instalación de la MV - Import start20 min

Instalación de la MV - Tips10 min

Instalación de la MV - Pyspark set up10 min

1 heure pour terminer

MÓDULO 1 - Exploración de datos

En esta semana vamos a conocer el proyecto y a hacer una primera exploración de algunos de los datos con los que iremos trabajando. Nos familiarizamos con el contenido de estos ficheros y haremos el trabajo preliminar para poderlo luego aplicar a grandes volumenes de datos.

1 heure pour terminer

1 vidéo (Total 6 min), 2 lectures, 1 quiz

1 vidéo

Introducción6 min

2 lectures

Introducción CAPSTONE PROJECT10 min

Trabajo a realizar30 min

1 exercice pour s'entraîner

Exploración de los datos30 min

Semaine

Semaine 2

1 heure pour terminer

MÓDULO 2 - MODELO DE DATOS

En esta semana aprenderemos a cargar los datos en Hive, construir su modelo de datos y entender la tarea de clasificar una galaxia según su forma.

1 heure pour terminer

1 vidéo (Total 1 min), 3 lectures, 1 quiz

1 vidéo

Introducción46s

3 lectures

Trabajo a realizar10 min

1 exercice pour s'entraîner

Modelo de datos30 min

Semaine

Semaine 3

1 heure pour terminer

MÓDULO 3 - CLASIFICACIÓN

Esta semana vamos a normalizar un modelo de datos, estudiaremos con profundidad los votos que nos han proporcionado los usuarios y generaremos la información necesaria para construir un clasificador automàtico.

1 heure pour terminer

1 vidéo (Total 1 min), 2 lectures, 1 quiz

1 vidéo

Introducción31s

2 lectures

Trabajo a realizar10 min

1 exercice pour s'entraîner

Clasificación20 min

Semaine

Semaine 4

4 heures pour terminer

MÓDULO 4 - MACHINE LEARNING

Esta semana introduciremos el dataset de imágenes galácticas y prepararemos dos algoritmos de Inteligencia Artificial para la clasificación automática de galaxias a partir de una imagen.

4 heures pour terminer

1 vidéo (Total 2 min), 6 lectures, 5 quiz

1 vidéo

Introducción1 min

6 lectures

Introducción10 min

Dataset de imágenes galácticas10 min

Trabajo a realizar20 min

Trabajo a realizar40 min

Trabajo a realizar30 min

5 exercices pour s'entraîner

Preprocesado y carga de datos (para practicar)10 min

PCA (para practicar)10 min

Regresión logística (para practicar)10 min

Redes neuronales (para practicar)10 min

Machine Learning30 min

À propos du Spécialisation Big Data – Introducción al uso práctico de datos masivos

Este programa está pensado como una entrada al mundo de los datos masivos y su tratamiento. El primer curso tiene como objetivo mostrar al estudiante el impacto del Big Data en la sociedad actual, tanto en el mundo de los negocios como en el de la política y administraciones públicas, los medios de comunicación y/o la investigación científica. A lo largo de los cursos 2, 3 y 4 se estudian la identificación, captura, pre-procesamiento, análisis y visualización de datos, desde un punto de vista “usuario”, y con una orientación práctica. Finalmente, el Capstone Project permite al estudiante aplicar los conocimientos adquiridos a un caso práctico del campo de la astronomía.

Al finalizar los cursos de esta especialización el estudiante será capaz de: 1. Entender el impacto del tratamiento de datos masivos en la sociedad actual. 2. Entender y explicar la procedencia y características de los datos masivos. 3. Adquirir, preparar, almacenar, analizar, visualizar y manejar grandes conjuntos de datos. 4. Extraer información de los datos. 5. Trabajar dentro del ecosistema Hadoop. 6. Contestar a una pregunta bien formulada en función de la información disponible. Contamos con un conjunto maravilloso de profesores, con una gran experiencia en el tema, provenientes tanto de la universidad como de la empresa. Necesitarás una computadora de 64bits que permita virtualizacion, con un mínimo de 6G de RAM (8G recomendable) y 20G disponibles en disco.

Big Data – Introducción al uso práctico de datos masivos

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Is financial aid available?
Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.
Puis-je obtenir des crédits universitaires si je réussis le Cours ?
Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.

Big Data: capstone project