SLABO

I.

ESPECIFICACIONES GENERALES

PROGRAMA

Especializacin en Big Data Analytics

CDIGO

BD1

CURSO

Big Data Introduction

PROFESOR

MBA Cesar Leguia

FECHA

Inicio 19 de febrero

HORARIOS

De 7:00pm a 10:15pm

II.

INTRODUCCIN

Hoy en da el mundo de los negocios cambia con tanta rapidez, motivado en

gran parte por una nueva clase de clientes ms exigentes y mucho ms
informados. Los viejos enfoques empresariales centrados en el producto ya no
son vlidos. Con la competencia a un clic de distancia, conseguir y mantener
a los clientes termina siendo una tarea titnica. En ese sentido, las empresas
se estn dando cuenta que es necesario incluir el componente analtico, el
manejo de la informacin y la generacin de conocimiento para comprender el
valor real de los clientes. En ese sentido, surge lo que se denomina Big Data
que es la siguiente generacin del Data Warehousing y Business Analytics. Es
uno de los fenmenos con mayor crecimiento y es una de las tendencias
tecnolgicas con mayor potencial para cambiar dramticamente la forma como
las empresas usan su informacin para mejorar la experiencia del cliente y los
modelos de negocio.
III.

OBJETIVOS

A. OBJETIVO GENERAL

Al finalizar el alumno debe ser capaz de entender los conceptos relacionados a

Big Data y Data Science.

B. OBJETIVOS ESPECFICOS:

En resumen, este curso pretende conseguir que cada alumno sea capaz de
entender:
Objetivo Especfico 1:
Entender la importancia de Big Data, Machine Learning y Data Science
Objetivo Especfico 2:
Entender los conceptos
Infraestructura Cloud

de

Hadoop

la

infraestructura

necesaria.

Objetivo Especfico 3:
Realizar una investigacin con los principales usos que se darn con Big Data
en su organizacin
IV.

TEMARIO:

1.

Big Data
Definicin, fundamentos y tipos de Big Data. Evolucin de Data
Management. Fuentes de Data Estructurada y no Estructurada.
Conceptos de Computacin Distribuida. Historia de la computacin
Distribuida
Casos de xitos Big Data.

2.

Hadoop y MapReduce
Arquitectura de Big Data.
Que es Hadoop. Conceptos de HDFS. Hadoop MapReduce.
Ecosistema Hadoop. Interaccin con Pig, Sqoop, Zookeper.
Origenes de MapReduce. Funcin Map y Reduce. Optimizacin de
tareas de MapReduce.
Infraestructura Cloud
Implantacin de infraestructura on premise

3.

Big Analytics
Big Data y Data Warehouse. Rol de Data Warehouse.
Big Data Analytics versus Analtica Bsica y Avanzada. Monetizacin
de la Data. Modificacin de los productos de Business Intelligence.

4.

Machine Learning
Que es Machine Learning.
Algoritmos Supervisados. Algoritmos no Supervisados.
Ejemplos y Casos.

5.

V.

Mejores Prcticas
Entender las metas. Establecer un Roadmap Descubrir la data. Buscar
nuevas fuentes de datos.
Que hacer y qu no hacer.
CRONOGRAMA
L

10

11

12

13

14

15

16

17

18

20

21

22

23

24

25

19
BD1
X
26
BD1
X

27

28

10

12

13

14

15

16

17

11
BD1
x
18

19

20

21

22

23

24

25

26

27

28

29

30

31

Febrero

29

Marzo

VI.

METODOLOGA

Las clases tericas se complementarn con el desarrollo de casos prcticos,

aproximadamente un 20% de parte terica y 80% de casos prcticos y trabajos
grupales.
Se integrarn diferentes metodologas: Se incluirn exposiciones del profesor,
de los alumnos, y participaciones de expositores de otras empresas. Uno de los
factores ms importantes en el aprendizaje estar en la participacin activa de
los alumnos y en su dinmica como grupo.

VII.

EVALUACIN

A. PARTICIPACIN EN CLASE:

Se evaluar tanto la asistencia a clase (10%), como la participacin e

intervenciones en clase (10%)
B. TEST DE LECTURAS Y CLASES:

Habr dos tests de 20-30 minutos de duracin aproximadamente, posiblemente

al inicio de dos de las sesiones y que sern avisados con anterioridad. Cada
uno valdr 10%. En los mismos se preguntarn conceptos muy bsicos sobre
las lecturas o sobre lo visto en la clase (tanto si son explicaciones de las
lecturas o s son parte de los casos)
C. CASOS GRUPALES:

Se asignaran casos grupales sobre la aplicacin de los mtodos de aprendizaje

sobre distintos problemas con datos reales.
D. CASO FINAL:

Resolucin de un caso en grupo.

Comentarios adicionales :

En todos los casos, tests y ejercicios se podr utilizar el material

disponible y el que se crea conveniente. El objetivo es la aplicacin de lo
aprendido en situaciones reales.
Los ejercicios se entregan en la fecha programada. Bajo ningn
concepto se aceptar ejercicios o casos fuera de fecha.
En caso de la ausencia del alumno en clases donde se haya registrado
notas por actividades hechas, estas NO podrn ser reemplazadas o
recuperadas con otra nota.
A pesar que un alumno presente una constancia de enfermedad, viaje
de trabajo, etc., las notas o trabajos a presentar o realizar en dicha fecha
sern considerados como exigibles y no podrn ser reemplazados o
recuperados.
No existe la figura de exmenes finales. La evaluacin se realiza por la
solucin de casos prcticos.

Control de Lectura
2da Sesin

3era Sesin

VIII.

El uso de Big Data en el Mundo Real

Big Data: Big Opportunities to Create Business
Value
Big Data Application Architecture. Pg. 1 27.

BIBLIOGRAFA GENERAL DE CONSULTA

BIG DATA FOR DUMMIES. HURWITZ, Judith. NUGENT, Alan. John

Wiley & Sons.
Nota: Se entregarn lecturas y casos adicionales para complementar algunos
puntos sobre los que el profesor o los alumnos decidan profundizar.