La ciencia de los datos masivos permite manejar grandes volúmenes imprescindibles cuando el servicio y el modelo de negocio es a base de grades volúmenes, Interpretarlos darles un sentido para que el servicio se preste de manera impecable, o bien las decisiones a tomar sean las adecuadas es la clave. Tanto predecir el c comportamiento de la máquina, del sistema como aconsejar que acción es la más adecuada Donde otras técnicas tradicionales fallan en resolver el entendimiento de datos: la ciencia de los datos permite obtener relaciones perspicaces o complejas a partir de grandes volúmenes de datos.

Objetivos: 1. Dotar de un profundo conocimiento sobre el proceso de extracción de información y transformación en conocimiento valioso para la toma d decisiones, mediante el uso de herramientas de aprendizaje automático a partir de los datos masivos en el entorno IOT. 2. Para que seas capaz de buscar patrones de eventos a través de los datos en un sistema completo de IOT en la industria conectada. 3. El curso te permitirá aportar nuevas líneas de negocio y servicios 4. Éste curso te permitirá proponer aplicar las últimas técnicas de modelización de datos. 5. Serás capaz de crear una solución aplicada a entornos IOT industrial. 6. Crear perfiles profesionales interdisciplinares capaces de aplicar las técnicas de datos e Internet of Things más punteras a sus diferentes sectores de trabajo.

Requisitos: • Se recomienda saber programar un poco para enfocarse en aprender las técnicas de análisis en “R” aunque no es totalmente necesario • Conocimientos de estadistIca

A quién va dirigido: 1. Profesionales de origen tecnológico: los típicamente informáticos con perfiles desarrollo, o bien otras ingenierías con fuertes conocimientos y alguna experiencia como desarrolladores. De origen por supuesto que también matemáticas, físicas, y ciencias que van a ser las encargadas de identificar potenciales algoritmos y patrones de eventos 2. Profesionales de ciencias que reciclan sus perfiles profesionales en el sector emergente del internet de las cosas aplicado a la industria. 3. Usuarios intermedios que conocen los fundamentos de Machine learning como los algoritmos clásicos de regresión lineal o logística pero buscan aprender más y explorar otros campos del aprendizaje estadístico 4. Programadores que les guste el código y que estén interesados en aprender Deep learning para aplicar dichas técnicas a sus datasets