Curso: Big Data e IoT

Prof: Jhon Jairo Padilla Aguilar, PhD.

 

Motivación:

Con el advenimiento de la IoT (Internet of Things), viene un incremento en la cantidad de datos provenientes de sensores en diferentes aplicaciones como la Agricultura, las Ciudades Inteligentes, la Industria 4.0.  Por tanto, se vuelve muy importante el poder sacar información de tendencias y patrones de esos datos recolectados para poder apoyar la toma de decisiones y generar alarmas para diferentes situaciones en el campo, la ciudad o la industria. Big Data, Machine Learning y Minería de Datos se vuelven tecnologías extremadamente importantes para extraer este tipo de información.

 

Objetivo del Curso:

Estudiar las herramientas del Aprendizaje automático, Minería de datos y Big Data que permitan explotar la gran cantidad de información generada por sensores y diferentes dispositivos de IoT actuales.

 

Contenido

 

1.       Introducción: IoT y la necesidad del Machine Learning (Diapositivas)

2.       Introducción a la Minería de Datos (Diapositivas)

3.       Entradas al proceso de Data Mining (Diapositivas)

4.       Salidas del Proceso de Data Mining: Representación del Conocimiento (Diapositivas)

5.       Algoritmos básicos de Data Mining (Diapositivas)

6.       Árboles de Decision (Diapositivas)

7.       Construcción de Reglas (Diapositivas)

8.       Aprendizaje Basado en Instancias (Diapositivas)

9.       Clusters (Diapositivas)

10.   Evaluación de lo aprendido (Diapositivas)

11.   Reducción de Atributos (Diapositivas)

12.   MapReduce y la pila de protocolos (Diapositivas)

13.   Aplicación del Big Data en Agricultura (Diapositivas)

14.   Uso de Pentaho para explotar los datos Agrícolas (Diapositivas)

15.   Dispositivos de IoT para diferentes aplicaciones:

a.       Aplicación de Dispositivos Arduino y plataformas gratuitas para Recolección de información Agrícola (Diapositivas)

b.       Recolección y monitoreo de Datos para aplicaciones Agrícolas con Controladores industriales y Pentaho (Diapositivas)

16.   TIC para Agricultura (Diapositivas)

17.   Prácticas:

a.       Árboles de Decisión con Sklearn y Python (ver aquí)

b.       Análisis de Componentes Principales (ver aquí)