CURSOS Y CERTIFICACIONES DEL ÁREA DE BIG DATA

(1)

BSG Institute cuenta con la certificación ISO 9001:2015 Emitida por AENOR - España e ICONTEC - Colombia.

CURSOS Y

CERTIFICACIONES DEL

ÁREA DE BIG DATA

(2)

¿Por Qué Matricularse en BSG Institute?

Por nuestra amplia experiencia habiendo capacitado a más de 24000 profesionales provenientes de toda América Latina.

Más de 2200 empresas de Argentina, Bolivia, Chile, Colombia, Costa Rica, Ecuador, Guatemala, México, Nicaragua, Perú y República Dominicana nos

han confiado la capacitación de sus colaboradores.

Contamos con una plana docente de más de 180 integrantes de vasta experiencia provenientes de países como: Argentina, Bolivia, Canadá, Chile, Colombia, España, Francia, México y Perú.

Nuestros egresados laboran en más de 2800 empresas líderes en Latinoamérica.

Nuestra empresa ha certificado su Sistema de Gestión de Calidad bajo el estándar internacional ISO 9001.

La Certificación ha sido emitida por la Asociación Española de Normalización y Certificación - AENOR y reconocida mediante el co-certificado emitido por el Instituto Colombiano de Normas.

Adicionalmente nuestra Certificación está acreditada por:

EMA - México INN - Chile ENAC - España

(3)

PMI y el logotipo PMI Registered Education Provider son marcas registradas del Project Management Institute, Inc.

LEED® es marca registrada de propiedad del U.S. Green Building Council y es usada con su consentimiento El logo del EspiralTM (Swirl logoTM) es una marca comercial de AXELOS Limited

ITIL® es una marca registrada de AXELOS Limited

Acceso a Certificaciones Internacionales de organizaciones líderes a nivel mundial:

Niveles de satisfacción de los los profesionales capacitados en BSG Institute

0 % 100 %

98 %

El índice de satisfacción de nuestros alumnos es de 4.2 en una escala del 1 al 5

El 98% de nuestros alumnos se volvería a matricular en un programa de BSG Institute

El 99% de nuestros alumnos recomendaría el

programa que estudio en BSG Institute

_{0 %} ^{99 %}_{100 %}

(4)

Certified Big Data & Machine Learning Professional Certified Big Data Applications Developer

Curso Introducción a Big Data, Machine Learning y Data Mining en el Desarrollo de Aplicaciones Curso Procesos Estándares CRISP-DM en el Desarrollo de Aplicaciones Big Data

Curso Estadística y Probabilidades para Machine Learning

Curso Machine Learning: Procesamiento, Análisis y Visualización de Datos Curso Big Data con Hadoop

Curso Machine Learning: Desarrollo de Modelos Predictivos Curso Machine Learning: Implementación de Modelos Predictivos Curso Machine Learning: Presentación de resultados

Curso Oficial IBM: Introduction to IBM SPSS Modeler and Data Mining Curso de preparación para la certificación Tableau Qualified Associate Curso Desarrollo de Aplicaciones Big Data con Hadoop

Curso Desarrollo de Aplicaciones Big Data con R Curso Desarrollo de Aplicaciones Big Data con Python Curso Big Data con MongoDB, Hadoop y Spark Curso Aplicaciones con MongoDB

Curso Análisis de Datos con Hadoop y Spark

Curso Oracle Big Data 2017 Implementation Essentials

Curso Introducción a Big Data, Machine Learning y Data Mining Curso Procesamiento, Análisis y Visualización de Data

Curso Procesos Estándares CRISP-DM Curso Evaluación de Modelos Predictivos Curso Algoritmos para Modelos Predictivos

Curso Oficial IBM: Open Platform with Apache Hadoop Taller Introductorio al Análisis de datos con R

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Programas y Cursos Disponibles

(5)

Duración: 10 Meses

Certified Big Data & Machine Learning Professional

A. Objetivos del Programa

Al finalizar el programa el participante estará en la capacidad de:

• Aplicar los procesos estándares de la industria para el desarrollo de un proyecto de Big Data y Machine Learning.

• Manejar los conceptos estadísticos clave para el desarrollo de modelos predictivos a partir del uso de algoritmos de Machine Learning.

• Usar herramientas para procesar, analizar y visualizar grandes volúmenes de datos.

• Comprender cómo funciona el ecosistema Hadoop para el almacenamiento y procesamiento de grandes volúmenes de datos.

• Desarrollar e implementar modelos predictivos usando los algoritmos de Machine Learning más usados en la industria.

• Comunicar efectivamente los resultados de un proyecto de Big Data.

B. Estructura Curricular

• Taller Introductorio al Análisis de datos con R.

• Curso Introducción a Big Data, Machine Learning y Data Mining.

• Curso Procesos Estándares CRISP-DM.

• Curso Estadística y Probabilidades para Machine Learning.

• Curso Machine Learning: Procesamiento, Análisis y Visualización de Datos.

• Curso Big Data con Hadoop.

• Curso Machine Learning: Desarrollo de Modelos Predictivos.

• Curso Machine Learning: Implementación de Modelos Predictivos.

• Curso Machine Learning: Presentación de Resultados.

• Curso Oficial Microsoft Certified: Azure Data Scientist Associate.

(*) El Curso Microsoft Certified: Azure Data Scientist Associate está incluido solo en la versión profesional.

NOTA: El Curso Machine Learning: Presentación de Resultados y el Curso Microsoft Certified: Azure Data Scientist Associate se desarrollarán en modalidad online sincrónica (clases en vivo) en las fechas establecidas en la sección “Duración y Horarios”.

C. Público Objetivo y Prerrequisitos

• Profesionales que desarrollan sus actividades en el área de Análisis de Negocio o Inteligencia de Negocio de sus organizaciones.

• Profesionales que quieran adquirir un sólido expertise en el desarrollo e implementación de proyectos de Big Data.

• Consultores que se desempeñan en las áreas de

Inteligencia de Negocios o Análisis de Negocio que quieran especializarse en el desarrollo e implementación de proyectos de Big Data.

Prerrequisitos:

• Conocimientos previos de Machine Learning o Datamining.

• Conocimientos previos de estadística y probabilidades.

• Conocimientos de inglés técnico suficiente para la comprensión del material oficial de Microsoft. (*)

• Conocimientos fundamentales de los conceptos de computación en la nube. (*)

(*) Requerido solo en la versión profesional para el desarrollo del Curso Microsoft Certified: Azure Data Scientist Associate.

D. Duración y Horarios

> En la modalidad online sincrónica (clases en vivo):

Las clases se desarrollarán de forma virtual, con una frecuencia Semanal en el siguiente horario (*):

• Jueves: 19:00 a 23:00 horas.

> En la modalidad online asincrónica (clases grabadas):

Según la versión del programa en la que te matricules, tienes:

• Versión Básica: 9 meses para completar el programa. Los contenidos comprenden 132 horas de clases grabadas, 8 horas en modalidad online en tiempo real correspondientes al “Curso Machine Learning: Presentación de Resultados” y Q&A Webinars, donde podrá despejar sus dudas y consultas con los expositores del curso en tiempo real.

• Versión Profesional: 10 meses para completar el programa.

Los contenidos comprenden 132 horas de clases grabadas, Q&A Webinars y 32 horas en modalidad online en tiempo real correspondientes al “Curso Machine Learning:

Presentación de Resultados” y al “Curso Microsoft Certified:

Azure Data Scientist Associate”.

NOTA: El “Curso Machine Learning: Presentación de Resultados” y el “Curso Microsoft Certified: Azure Data Scientist Associate” se desarrollarán en modalidad online sincrónica con una frecuencia semanal en el siguiente horario:

• Jueves: 19:00 a 23:00 horas.

E. Certificación

Los participantes que completen exitosamente el programa, recibirán la siguiente certificación:

• Certificación emitida por BSG Institute que otorga 88 PDUs reconocidos por INFORMS.

• Certificación Oficial de Microsoft de participación en el Curso Microsoft Certified: Azure Data Scientist Associate. (*)

• Certificación Microsoft Certified: Azure Data Scientist Associate emitida por Microsoft. (**)

(*) Incluido solo en la versión profesional. (**) Incluido solo en la versión profesional. Sujeto a la aprobación del examen correspondiente.

NOTA: El material (formato digital) así como los exámenes de certificación estarán en idioma inglés.

(6)

Duración: 10 Meses

Certified Big Data

Applications Developer

A. Objetivos del Programa

• Aplicar los procesos estándares de la industria para el desarrollo de un proyecto de Big Data y Machine Learning.

• Manejar los conceptos estadísticos clave para el desarrollo de modelos predictivos a partir del uso de algoritmos de Machine Learning.

• Usar herramientas para procesar, analizar y visualizar grandes volúmenes de datos.

• Desarrollar e implementar modelos predictivos usando los algoritmos de Machine Learning mas usados en la industria.

• Desarrollar aplicaciones de Big Data usando las herramientas del ecosistema Hadoop.

• Desarrollar aplicaciones de Big Data usando los lenguajes de programación R y Phyton.

• Taller Introductorio al Análisis de datos con R.

• Curso Introducción a Big Data, Machine Learning y Data Mining en el Desarrollo de Aplicaciones.

• Curso Procesos Estándares CRISP-DM en el Desarrollo de Aplicaciones Big Data.

• Curso Estadística y Probabilidades para Machine Learning.

• Curso Algoritmos para Modelos Predictivos.

• Curso Desarrollo de Aplicaciones Big Data con Hadoop.

• Curso Desarrollo de Aplicaciones Big Data con R.

• Curso Desarrollo de Aplicaciones Big Data con Python.

• Curso Procesamiento, Análisis y Visualización de Data.

• Curso Evaluación de Modelos Predictivos.

• Curso AWS Certified Machine Learning – Specialty.

NOTA: El Curso AWS Certified Machine Learning – Specialty está incluido solo en la versión profesional.

• Analistas de Datos, Analistas de Inteligencia de Negocios o Programadores que quieran

especializarse en el desarrollo de aplicaciones de Big Data con Hadoop, R y Phyton.

• Consultores que se desempeñan en las áreas de Inteligencia de Negocios o Análisis de Negocio que quieran especializarse en el desarrollo de aplicaciones de Big Data con Hadoop, R y Phyton.

Prerrequisitos:

• Experiencia en el desarrollo de aplicaciones de software.

• Conocimientos previos de Machine Learning o Datamining.

• De 1 a 2 años de experiencia en el desarrollo, la arquitectura o la ejecución de cargas de trabajo de aprendizaje profundo y aprendizaje automático en la nube de AWS. (*)

• Experiencia realizando optimización básica de hiperparámetros. (*)

• Experiencia con ML y marcos de aprendizaje profundo. (*)

(*) Requerido solo en la versión profesional para el desarrollo del Curso AWS Certified Machine Learning – Specialty.

> En la modalidad online asincrónica (clases grabadas):

Según la versión del programa en la que te matricules, tienes:

• Versión Básica: 10 meses para completar el programa. Los contenidos comprenden 152 horas de clases grabadas y Q&A Webinars donde podrá despejar sus dudas y consultas con los expositores del curso en tiempo real.

• Versión Profesional: 12 meses para completar el programa. Los contenidos comprenden 152 horas de clases grabadas, 40 horas grabadas correspondientes al “Curso AWS Certified Machine Learning – Specialty”

y Q&A Webinars.

Los participantes que completen exitosamente el programa, recibirán la siguiente certificación:

• Certificación Amazon Web Services Certified Machine Learning – Specialty emitida por Amazon. (*)

• Certificación emitida por BSG Institute que otorga 180 PDUs reconocidos por INFORMS.

(*) Incluido solo en la versión profesional. Sujeto a la aprobación del examen: AWS Certified Machine Learning – Specialty.

(7)

Duración: 1 Fin de semana

Curso Introducción a Big Data, Machine Learning y Data Mining en el Desarrollo de Aplicaciones

A. Objetivos del Curso

Al finalizar el curso el participante estará en la capacidad de:

• Conocer que son Big Data, Machine Learning y Data Mining.

• Identificar los puntos en común y las diferencias que tienen las tres perspectivas e integrarlas en un solo marco conceptual para apalancar la competitividad de su empresa

• Identificar las herramientas propias de cada enfoque y la utilidad de dichas herramientas.

• Encontrar oportunidades de utilizar el Big Data, Machine Learning y Data Mining en el contexto de su propio negocio.

¿Qué es (y que no es) Big Data?

• Las 4 V’s.

• Características del Big Data.

• Almacenamiento de datos.

• Soluciones en la Nube.

• Hadoop. Spark.

Machine Learning

• Definiciones.

• Tipos de problemas.

• Clasificación: Regresión. Redes Neuronales.

Árboles de Decisión y Regresión. Máquinas de Soporte Vectorial. Métodos de Ensamble.

• Segmentación: K-medias. Clustering jerárquico.

• Respuesta Incremental.

• Sistemas de Recomendación.

• Minería de Texto.

• Web Mining.

Data Mining

• Definiciones.

• Relaciones entre Data Mining, visualización, Business Intelligence, Analítica.

Casos de Éxito

• Presentación de casos exitosos de negocios en los cuales el Big Data, Machine Learning o Data Mining les ha proporcionado una ventaja competitiva.

• Profesionales interesados en comprender que son el Big Data, Machine Learning y Data Mining así como sus posibilidades de aplicación en el entorno de los negocios.

Prerrequisitos:

• Para el desarrollo del curso es necesario que los alumnos lleven su computadora personal.

El curso tiene una duración de 8 horas cronológicas.

Las clases se desarrollarán de forma presencial en la ciudad de Lima (Perú), en un fin de semana en el siguiente horario:

• Viernes: De 19:00 horas a 23:00 horas.

• Sábado: De 09:00 horas a 13:00.

Los participantes que completen exitosamente el curso, recibirán la siguiente certificación:

• Certificado emitido por BSG Institute.

(8)

Curso Procesos Estándares CRISP-DM en el Desarrollo de Aplicaciones Big Data

• Reconocer las ventajas de trabajar con un

enfoque metodológico sistemático los proyectos de analítica de Big Data.

• Identificar los elementos requeridos para el desarrollo de cada etapa de CRISP-DM para el desarrollo de proyectos de Big Data.

• Conocer las metodologidas generales en el desarrollo de modelos analíticos.

B. Estructura Curricular Metodología CRISP DM

• Fundamentos y Conceptos básicos.

• Metodología CRISP-DM, Conceptos Fundamentales y Etapas.

Etapas de la metodología CRISP DM

• Preparación de Datos Mecanismos para el tratamiento de datos (limpieza, transformación, etc.): Imputación de valores perdidos,

transformación de variables, tratamiento de atípicos, etc.

• Modelamiento: Mecanismos para modelado de datos. Modelos para variables tipo intervalo y discretas. Mecanismos de selección de modelos.

• Evaluación: Estudio del performance del modelo en una base OOT y OOS. Otros mecanismos para evaluación de modelos. Seguimiento Continuo de Modelos (Calibración y reestructuración de modelos)

• Despliegue: Puesta en producción del modelo y cierre de proyectos.

El Curso Procesos Estándares CRISP-DM en el Desarrollo de Aplicaciones Big Data está dirigido a personas con formación en Ingeniería o áreas afines con responsabilidad o interés en la

planeación y control de proyectos de Analítica de Big Data.

Prerrequisitos:

Conocimientos en estadistica básica (probabilistica e inferencial) y cálculo.

El curso tiene una duración de 8 horas cronológicas.

Las clases se desarrollarán de forma presencial en la ciudad de Lima (Perú), en un fin de semana en el siguiente horario:

• Sábado: De 15:00 a 19:00 horas.

• Domingo: De 09:00 a 13:00 horas.

(9)

Curso Estadística y Probabilidades para Machine Learning

• Identificar el proceso de cálculo de una probabilidad en eventos.

• Aplicar la Distribución Normal para el cálculo de probabilidades.

• Estimar características de una población.

• Inferir a partir de una muestra o dos muestras resultados para una población o dos poblaciones.

• Utilizar el programa estadístico R.

B. Estructura Curricular Introducción al R y RStudio

• El papel de la incertidumbre en el análisis de datos y la toma de decisiones.

• Introducción al R y RStudio.

Cálculo de Probabilidades

• Probabilidades: axiomas y propiedades.

Probabilidad condicional. Probabilidad total.

Teorema de Bayes.

• Variables aleatorias discretas y continuas.

• Función de probabilidad y función de distribución acumulada: caso discreto.

• Función de densidad y función de distribución acumulada: caso continuo.

• Valor esperado y varianza.

Modelos de Probabilidad e Inferencia Estadística

• Distribución Binomial.

• Poisson.

• Distribución Normal: estandarización, obtención de percentiles y cuantiles.

• Distribuciones derivadas de la normal.

• Distribución del promedio bajo normalidad.

• Teorema Central del Límite.

• Estimación puntual y por intervalos en una y dos poblaciones.

Contrastes de Hipótesis

• Pruebas de hipótesis: Error Tipo I y Tipo II.

Potencia y Significancia de una prueba.

• Pruebas de hipótesis en una y dos poblaciones.

• Instrucciones necesarias para realizar los análisis en el programa estadístico R.

• El Curso Estadística y Probabilidades para Machine Learning está dirigido a profesionales que deseen adquirir conocimientos básicos de probabilidad y estadística para el análisis de datos.

Prerrequisitos:

• Es recomendable que el participante tenga aptitudes hacia la matemática.

En la modalidad Online usted tiene 2 meses para completar el curso. Los contenidos comprenden 16 horas cronológicas. Usted tiene dos opciones para visualizar el curso:

• Opción 1: Visualización del curso en línea (conectado a Internet).

• Opción 2: Visualización del curso descargado en un dispositivo móvil.

• Certificación por haber aprobado el curso:

“Estadística y Probabilidades para Machine Learning” emitida por BSG Institute.

(10)

Curso Machine Learning: Procesamiento, Análisis y Visualización de Datos

• Aprender a manipular diferentes tipos de datos.

• Buscar patrones mediante la visualización.

• Comprender elementos claves de visualización.

• Interpretar métodos gráficos.

• Utilizar el programa estadístico R.

Introducción al procesamiento de datos

• Base de datos relacionales.

• Manipulación de datos.

• Gestión de datos.

Introducción a la teoría y aplicaciones de métodos de visualización

• Motivación

• El análisis gráfico como forma de explorar y comunicar

• Definición matemática de gráfico

• Principios de representación gráfica

• R: Parámetros gráficos

• R: Notación matemática

• R: Introducción al paquete ggplot2.

Visualización de datos continuos

• Estimador del histograma.

• Boxplot.

• Estimador de kernel.

• Density plot.

• Violin plot.

Visualización de datos categóricos

• Ejemplos de datos categóricos.

• Mosaic plot.

Visualización y comparación de poblaciones

• QQ-plot .

• Curva ROC.

• Kolmogorov-Smirnov plot.

Visualización de datos continuos bivariados

• Scatterplot y suavizador del Scatterplot

• Reducción de dimensión a través de componentes principales.

• Biplot.

Visualización de datos espaciales

• Correlación espacial.

• Density maps.

El Curso Machine Learning: Procesamiento, Análisis y Visualización de Datos está dirigido a profesionales que deseen adquirir conocimientos básicos de procesamiento, análisis y visualización de datos.

Prerrequisitos:

• Es recomendable que el participante posea aptitudes hacia la matemática.

En la modalidad Presencial el Curso Machine Learning: Procesamiento, Análisis y Visualización de Datos se desarrolla en el siguiente horario (*):

En Lima con una frecuencia Mensual:

• Viernes: 19:00 a 23:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Domingo: 09:00 a 13:00 horas.

En Bogotá con una frecuencia Mensual:

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

En Santa Cruz con una frecuencia Mensual:

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

(*)Para más detalle sobre fechas y horarios solicite su cronograma de alumnos.

“Machine Learning: Procesamiento, Análisis y Visualización de Datos” emitida por BSG Institute

(11)

Curso Big Data con Hadoop

• Presentar una herramienta de uso práctico en las actividades de análisis de datos.

• Conocer las herramientas que envuelven el ecosistema de Hadoop fundamentales para manipular y dearrollar proyectos de Big Data.

• Identificar posibles proyectos que retribuya en sus trabajos o manera personal.

B. Estructura Curricular Ecosistema Hadoop

• El stack básico de Hadoop.

• Modulos del framework-basic the Apache.

• Hadoop Zoo.

• Hadoop Ecosystem Major Components.

HDFS Hadoop Distributed File System y MapReduce

• Arquitectura y Configuración de HDFS.

• Desempeño utilización de HDFS.

• Introducción al MapReduce.

• Ejemplos y principios.

Sqoop y Hive

• Introducción a Sqoop.

• Cargar Datos con Sqoop.

• Introducción a Hive.

• Arquitectura, componentes y comandos de Hive.

Flume y Spark

• Introducción a Flume y como utilizar Flume.

• Introducción a Apache Spark.

• Datasets distribuidos resilientes.

• Análisis de datos con Spark.

• El Curso Big Data con Hadoop está dirigido a cualquier persona que quiera aprender sobre Big Data y el manejo de sus herramientas, tanto para negocio, como para satisfacción personal.

Prerrequisitos:

Conocimientos básicos en Virtualización, lenguajes de programación y bases de datos.

En la modalidad Presencial el Curso Big Data con Hadoop se desarrolla en el siguiente horario (*):

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

En Bogotá con una frecuencia Mensual:

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

(12)

Duración: 4 Meses

Curso Machine Learning:

Desarrollo de Modelos Predictivos

• Identificar adecuadamente los modelos a utilizar para responder a preguntas de negocio.

• Diferenciar los métodos y técnicas a su

disposición para modelar problemas de negocio.

• Identificar los supuestos necesarios para poder aplicar un modelo específico en una situación concreta de negocio.

• Construir y desarrollar los modelos a partir de un conjunto de datos particular.

• Seleccionar el mejor modelo a aplicar en cada caso.

Introducción A La Minería De Datos

• Contextualización. Algunos ejemplos.

• Tipos de problemas en minería: minería

supervisada, minería no supervisada, predicción.

• •Estructura de los Datos para Análisis (Tidy Data).

• •Preparación de los datos.

• Tipos de datos.

• Poblamiento y manejo de Datos Ausentes.

Análisis Exploratorio De Datos

• Estadísticas.

• Gráficas.

• Selección de Atributos.

• Reducción de Atributos: PCA.

El Problema De Clasificación

• Definición.

• Objetivo de los Modelos.

• Matrices de Confusión.

• Métodos elementales.

• Métodos básicos.

• Métodos avanzados.

• Métodos de ensamble

• Validación y Selección de Modelos de Clasificación.

Métodos De Agrupamiento (Clustering)

• K-Means.

• DBSCAN.

• Agrupamiento Jerárquico.

• Agrupamiento Difuso.

• Reglas de Asociación.

Otros Temas De Minería (Introducción)

• Sistemas de Recomendación.

• Minería de Texto.

• Web Mining.

• El Curso Machine Learning: Desarrollo de Modelos Predictivos está dirigido a profesionales con interés y habilidades en la conceptualización de problemas de negocio y su formulación mediante técnicas matemáticas o estadísticas.

Prerrequisitos:

• Es recomendable que el participante posea conocimiento en Probabilidad y Estadística Básica, Cálculo y Algebra Lineal.

En la modalidad Presencial el Curso Machine Learning: Desarrollo de Modelos Predictivos se desarrolla en el siguiente horario (*):

• Sábado: 14:30 a 18:30 horas.

En Bogotá con una frecuencia Quincenal:

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

En la modalidad Online los contenidos comprenden 56 horas cronológicas. Usted tiene dos opciones para visualizar el curso:

“Machine Learning: Desarrollo de Modelos Predictivos” emitida por BSG Institute.

(13)

Curso Machine Learning:

Implementación de Modelos Predictivos

• Producir modelos predictivos que puedan ser utilizados e implementados en sistemas de software.

• Explorar las diferentes opciones y tecnologías disponibles para la implementación de los modelos predictivos.

• Dar ejemplos concretos de evaluación de necesidades; evaluación de requerimientos;

implementación en producción y gestión de modelos predictivos.

Repaso de conceptos fundamentales de Analítica Predictiva

• Tipos de modelos predictivos.

• Modelos y algoritmos principales.

• Evaluación de modelos.

Aspectos a considerar previos a la implementación de modelos

• Modelos predictivos en el contexto de los procesos de negocios.

• Identificación de los requerimientos para la implementación del modelo.

• Validación del modelo aplicado al proceso de negocios.

Implementación de modelos predictivos en plataformas Cloud Computing

• Implementación local de un modelo predictivo:

Jupyter Notebook, línea de comando.

• Tecnologías para el despliegue como una aplicación web

• Despliegue con Microsoft Azure.

• Otros servicios de Cloud Computing para el despliegue de modelos.

• Soporte durante la implementación del modelo en producción.

Caso práctico y evaluación: implementación de un modelo predictivo

• Caso práctico de producción, evaluación e implementación de un modelo predictivo.

El Curso Machine Learning: Implementación de Modelos Predictivos está dirigido a ingenieros de software, miembros de equipos de Inteligencia de Negocios, Marketing Directo, gestión de campañas comerciales, equipo CRM, Inteligencia comercial, Inteligencia de Clientes, ejecutivos de banca, retail y telecomunicaciones.

Prerrequisitos:

• Conocimientos de Python.

• Conocimiento y comprensión de conceptos estadísticos básicos.

• Conocimiento sobre la creación y utilización de modelos predictivos.

En la modalidad Presencial el Curso Machine Learning: Implementación de Modelos Predictivos se desarrolla en el siguiente horario (*):

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

En la modalidad Online usted tiene 1 mes para completar el curso. Los contenidos comprenden 8 horas cronológicas. Usted tiene dos opciones para visualizar el curso:

“Machine Learning Implementacion de Modelos Predictivos” emitida por BSG Institute.

(14)

Curso Machine Learning:

Presentación de resultados

• Revisar los principios generales de una buena presentación.

• Entender la importancia del contexto del análisis y la audiencia a quien se le presenta el análisis.

• Aprender las buenas prácticas en visualización e infografías y utilizar las visualizaciones

adecuadas de acuerdo con las ideas que se desea comunicar.

• Dirigir la atención de la audiencia hacia las ideas más importantes en el proceso del análisis de datos y aprender a contar una historia con los datos y resultados del análisis.

Resumen de los principios de una presentación efectiva

• Principios generales de una presentación efectiva.

• Conociendo el contexto y la audiencia.

• Elementos de diseño y cómo contar una historia.

Revisión de interpretación y uso de conceptos de estadísticos

• Tipos de variables y mediciones

• Interpretación y uso de medidas de tendencia central

• Interpretación y uso de medidas de posición

• Interpretación y uso de medidas de dispersión.

Visualización y elementos de diseño

• Escogiendo la visualización apropiada

• Errores a evitar

• Elementos de diseño

• Desarrollando visualizaciones en MS Excel y Tableau

Otros temas de comunicación de resultados y práctica

• Cómo contar una historia con datos.

• Audiencia técnica vs. no técnica.

• Casos de estudio.

• Ejercicio práctico de presentación de resultados

• El Curso Machine Learning: Presentación de resultados está dirigido a gerentes, analistas, miembros de equipos de Inteligencia de

Negocios, personal administrativo, equipo CRM, Inteligencia comercial, Inteligencia de Clientes, ejecutivos de banca, retail y telecomunicaciones, ingenieros y profesionales que utilicen

frecuentemente datos y otro tipo de información cuantitativa en sus labores.

Prerrequisitos:

• Conocimientos de conceptos estadísticos básicos.

• Conocimientos básicos de MS Excel.

En la modalidad Presencial el Curso Machine Learning: Presentación de Resultados se desarrolla en el siguiente horario (*):

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

En la modalidad Online usted tiene 1 mes para completar el curso. Los contenidos comprenden 8 horas cronológicas. Usted tiene dos opciones para visualizar el curso:

“Machine Learning:Presentación de Resultados”

emitida por BSG Institute.

(15)

Curso Oficial IBM: Introduction to IBM SPSS Modeler and Data Mining

• Explicar qué es la minería de datos (Data Mining) y poder aplicar los conceptos aprendidos cuando requiera implementar un ejercicio de minería de datos.

• Trabajar con la herramienta IBM SPSS Modeler para llevar a cabo actividades asociadas a su entorno de trabajo, y la definición e implementación de un proyecto de Minería de datos, dentro del marco de la metodología CRISP.

• Utilizar la herramienta IBM SPSS Modeler para llevar a cabo actividades para acceder/exportar a diferentes formatos de fuentes de datos, como por ejemplo archivos planos, Excel, entre otros.

• Emplear la herramienta IBM SPSS Modeler para llevar a cabo tareas de análisis descriptivo/

exploratorio de los datos, e interpretación de resultados generados por la herramienta.

• Utilizar la herramienta IBM SPSS Modeler para llevar a cabo actividades para preparación de datos (tanto al nivel de registros como campos).

• Trabajar con la herramienta IBM SPSS Modeler para llevar a cabo actividades de modelado analítico al nivel básico para la construcción y evaluación de modelos de tipo clasificación y segmentación.

Introducción a la minería de datos

• Introducción a la minería de datos.

• Trabajando con IBM SPSS Modeler.

• Recorrido de Minería de datos.

• Recolección de datos.

Entendimiento de datos y asignación de unidades de análisis

• Entendiendo los datos

• Asignando las unidades de análisis Preparación de Datos

• Integrando datos

• Derivando y reclasificando campos

• Buscando relaciones Introducción a Modelado

• Introducción a Modelado

• Uso de un modelo de clasificación

• Uso de un modelo de segmentación

• Proyecto final y evaluación

El Curso Oficial IBM: Introduction to IBM SPSS Modeler and Data Mining está dirigido a:

• Profesionales de cualquier formación académica con interés en aprender sobre minería de datos, y aplicarla a su día a día en un entorno laboral o académico.

• Personas con interés en aprender sobre IBM SPSS Modeler, o que estén considerando adquirir IBM SPSS Modeler.

Prerrequisitos:

Es recomendable que el participante posea:

• Familiaridad con el uso de computadores en entornos Windows/Mac.

• Conocimientos generales en informática.

• Conocimiento del idioma ingles.

En la modalidad Presencial el Curso Oficial IBM:

Introduction to IBM SPSS Modeler and Data Mining se desarrolla en el siguiente horario (*):

• Sábado: 09:00 a 13:00 - 15:00 a 19:00 horas.

• Domingo: 09:00 a 13:00 - 15:00 a 19:00 horas.

• Viernes: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Domingo: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Certificación por haber aprobado el Curso Oficial IBM: Introduction to IBM SPSS Modeler and Data Mining emitida por BSG Institute.

• Certificación oficial IBM Certified Specialist - SPSS Modeler Professional (*)

(*) Sujeto a la aprobación del examen Test C2090- 930 - IBM SPSS Modeler Professional y cumplimiento de los requisitos establecidos por IBM.

(*) BSG Institute es Learning Partner de LearnQuest para ofrecer cursos oficiales de IBM. LearnQuest es uno de los pocos Global Training Provider seleccionados por IBM.

(16)

Curso de preparación para la certificación Tableau Qualified Associate

• Conocer la herramienta Tableau Desktop y Tableau Server en su funcionalidad nivel intermedio.

• Generar dashboards de negocio y reportes analíticos/interactivos consumiendo diversas fuentes de datos.

• Generar gráficos avanzados y análisis estadístico usando Tableau Desktop.

Introducción a Tableau Software

• Tableau Software.

• Arquitectura.

• Componentes.

• Conexión a fuentes de datos y gráficos básicos.

Representar data en forma visual

• Gráficos básicos en Tableau Desktop.

• Generación de variables y parámetros.

• Gráficos combinados, Path y Detail.

• Dashboards para representar información.

Cálculos y gráficos avanzados

• Gráficos complejos y ejes.

• Mapeo geográfico y sus tipos.

• Preparación de la data antes de la extracción.

• Combinación de fuentes: Data Blending.

Tableau Server y conectores

• Filtros de data usando Tableau Server.

• Publicación a Tableau Server y Tableau Public.

• Tableau Data Engine.

• Consejos de performance.

El Curso de preparacion para la certificación Tableau Qualified Associate está dirigido a:

• Profesionales o técnicos de cualquier rubro con interés de conocer y trabajar con una herramienta de explotación de información.

• Estudiantes de postgrado adscritos formalmente a un programa acorde.

Prerrequisitos

• El participante debe tener conocimiento de alguna herramienta generadora de reportes, conocimiento básico de base de datos y manejo de información / kpi.

En la modalidad Presencial el Curso de Preparación para la Certificación Tableau Qualified Associate se desarrolla en el siguiente horario (*):

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Domingo: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Opción 1: Visualización del curso en linea (conectado a Internet).

• Opción 2: Visualización del programa descargado en un dispositivo móvil.

• Certificación por haber aprobado el Curso de preparación para la certificación Tableau Qualified Associate emitida por BSG Institute.

• Certificación oficial Tableau Qualified Associate (*)

(*) Sujeto a la aprobación y pago del examen Tableau Desktop10 Qualified Associate, así como al cumplimiento de los requisitos establecidos por Tableau.

(17)

Duración: 2 Meses

Curso Desarrollo de Aplicaciones Big Data con Hadoop

• Presentar la arquitectura básica para el desarrollo de aplicaciones de Big Data.

• Conocer las herramientas que envuelven el ecosistema de Hadoop fundamentales para manipular y desarrollar proyectos de Big Data.

• Identificar posibles aplicaciones donde se

puedan utilizar las herramientas y técnicas de Big Data.

B. Estructura Curricular Ecosistema Hadoop

• El stack básico de Hadoop

• Modulos del framework-basic de Apache

• Hadoop Zoo. Aplicaciones con base Hadoop.

• Hadoop Ecosystem Major Components

HDFS Hadoop Distributed File System y MapReduce

• Arquitectura y Configuración de HDFS

• Desempeño utilización de HDFS.

• Introducción al MapReduce

• Ejemplos, principios y aplicaciones que utilizan HDFS y MapReduce.

Sqoop y Hive

• Introducción a Sqoop

• Cargar Datos con Sqoop

• Introducción a Hive

• Arquitectura, componentes y comandos de Hive.

Solución de aplicaciones utilzando Hive.

Flume y Spark

• Introducción a Flume y como utilizar Flume

• Introducción a Apache Spark

• Datasets Distribuidos Resilientes

• Análisis de datos con Spark. Desarrollo de aplicaciones utilizando Spark.

• Cualquier persona que quiera aprender sobre el desarrollo de aplicaciones de Big Data y el manejo de sus herramientas en el desarrollo de aplicaciones para uso personal como comercial.

Prerrequisitos:

• Conocimientos básicos en Virtualización, lenguajes de programación y bases de datos.

En la modalidad Presencial el Curso Desarrollo de Aplicaciones Big Data con Hadoop se desarrolla en el siguiente horario (*):

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

• Certificación por haber arobado el curso:

“Desarrollo de Aplicaciones Big Data con Hadoop”

(18)

Duración: 2 Meses

Curso Desarrollo de Aplicaciones Big Data con R

• Aprender la estructura del programa R.

• Comprender elementos claves de programación en R.

• Crear reportes en R.

• Desarrollar aplicaciones en R.

B. Estructura Curricular Introducción al R

• Origen y desarrollo del R.

• Ventajas y desventajas.

• Instalación de R.

• Instalación del entorno de trabajo RStudio.

• Instalación de paquetes.

Programación en R

• Crear funciones en R.

• Dplyr (%>%).

• Ggplot.

• Tidyr.

Modelos en R

• lm().

• Training test set.

• Validar model.

• Feature selection.

Introducción a Big Data

• Fuentes de datos Big Data.

• Necesidades de procesamiento.

R Markdown: Reportes en R

• Crear reportes en R.

Modelo MapReduce

• Procesamiento en paralelo.

Introducción a Hadoop

• Ecosistema Hadoop.

Apache SparkR

• Apache SparkR.

El framework Shiny para el desarrollo de aplicaciones en R

• El curso está dirigido para profesionales que deseen adquirir conocimientos básicos de la estructura, programación, reportes y desarrollo de aplicaciones en el programa estadístico R.

Prerrequisitos:

• Aunque el curso no exige ningún prerrequisito, los alumnos deben tener aptitudes hacia la matemática y programación.

En la modalidad Presencial el Curso Desarrollo de Aplicaciones Big Data con R se desarrolla en el siguiente horario (*):

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

“Desarrollo de Aplicaciones Big Data con R”

(19)

Duración: 2 Meses

Curso Desarrollo de Aplicaciones Big Data con Python

• Identificar y manipular el lenguaje Python como herramienta para el análisis de datos.

• Identificar y utilizar las librerias más relevantes de Python para el desarrollo de aplicaciones de Big Data.

• Desarrollar aplicaciones de Big Data utilizando Python y sus librerias más relevantes para este tipo de aplicaciones.

Python para el Análisis de Datos

• Por qué Python sirve para el análisis de datos.

• Estructuras de los datos en Python usadas para análisis de data.

• Manipulación de los datos en Python.

• Modelos predictivos en Python

• Extracción de textos en Python y Generalidades que se pueden hacer con Python.

Python IDE, Jupyter y IPython

• ¿Qué son Python, IPython y Jupyter?

• Diez elementos esenciales de Jupyter / IPython.

• Instalación y uso de Python.

• Variables, expresiones y declaraciones.

• Programación Básica con Python.

• Tipos y operaciones.

• Estructuras de control y tuplas.

• Lista y diccionarios.

• Funciones y objetos

• Fundamentos de Ipython.

• Uso del historial de comandos

• Interacción con el sistema operativo.

• Herramientas de desarrollo de software.

Numpy y Pandas

• Fundamentos de Numpy: Arreglos y computación vectorizada.

• Numpy ndarray.

• Fundamentos para manipular arreglos.

• Computación con arreglos Numpy.

• Funciones universales.

• Procesamiento de datos mediante arreglos.

• Análisis de datos interactivos con Pandas.

• Introducción a las estructuras de datos de Pandas.

• Funcionalidad esencial.

• Exploración de un conjunto de datos en el blog de notas.

• Manipulación de datos.

Visualización de datos

• Introducción a la Librería Matplotlib

• Fundamentos y programación en Matplotlib

• Ejemplos y ejercicios con Matplotlib.

• Ecosistema de la herramienta de visualización de Python.

• Cualquier persona que quiera aprender sobre el desarrollo de aplicaciones de Big Data con Python y la utilización de sus librerías en el desarrollo de aplicaciones para uso personal como comercial.

Prerrequisitos:

• Conocimientos básicos en Python, aunque se realizará una breve introducción del lenguaje es mejor que ya se conozcan de antemano.

En la modalidad Presencial el Curso Desarrollo de Aplicaciones Big Data con Python se desarrolla en el siguiente horario (*):

• Sábado: 09:00 a 13:00 - 14:30 a 18:30 horas.

En Bogotá con una frecuencia mensual:

• Sábado: 08:00 a 12:00 - 14:00 a 18:00 horas.

En la modalidad Online usted tiene 3 meses para

completar el curso. Los contenidos comprenden 32 horas cronológicas. Usted tiene dos opciones para visualizar el curso:

• Certificación por haber aprobado el curso “Desarrollo de Aplicaciones Big Data con Python” emitida por BSG Institute.

(20)

Duración: 3 Meses

Curso Big Data con MongoDB, Hadoop y Spark

• Entender los conceptos fundamentales de funcionamiento de MongoDB.

• Entender los conceptos para el diseño de bases de datos eficientes en MongoDB.

• Aprender a instalar y utilizar las herramientas básicas de MongoDB para desarrollar aplicaciones.

• Poder realizar una aplicación que utilice MongoDB como medio de almacenamiento principal, basado en un caso de uso práctico.

• Proporcionar las bases para poder aplicar los conceptos del curso utilizando otras herramientas y lenguajes de programación.

• Conocer los componentes principales del ecosistema Hadoop.

• Comprender los conceptos y poder utilizar los componentes fundamentales: HDFS y MapReduce.

• Aprender a integrar datos de fuentes diversas con el fin de obtener información apta para el análisis.

• Conocer y poder ejecutar aplicaciones prácticas con Spark.

• Proporcionar conocimientos para poder diseñar e implementar aplicaciones que involucren integración de datos y análisis de información en esta plataforma.

Aplicaciones con MongoDB (12 horas cronológicas)

• Introducción a MongoDB, instalación y operaciones básicas

• Agregación de datos y replicación

• Desarrollo de Aplicaciones con MongoDB Análisis de Datos con Hadoop y Spark (12 horas cronológicas)

• Introducción y componentes principales de Hadoop

• Análisis de datos y desarrollo de aplicaciones con Spark

• Arquitectura de soluciones de Business Intelligence

• El Curso Big Data con MongoDB, Hadoop y Spark está dirigido a desarrolladores de software, programadores y analistas de datos que trabajen actualmente con bases de datos de cualquier tipo o desarrollen o utilicen aplicaciones orientadas a la manipulación y análisis de datos.

Prerrequisitos:

Se requiere que el participante posea:

• Conocimiento de algún lenguaje de programación de uso general como JavaScript, Python, Java, Scala, VB.Net o C++ (El shell de MongoDB y los ejemplos del curso se basan en JavaScript, fácilmente entendible para desarrolladores que manejen otro lenguaje de uso general).

• Se requiere una computadora capaz de ejecutar MongoDB y Nades: Ambas aplicaciones soportan Windows de 64bits, Linux o Mac OSX y se requiere un mínimo de 4Gb de memoria.

• Se requiere algún editor de texto o entorno de

desarrollo para editar código JavaScript como Eclipse o IntelliJ Idea.

• Conocimientos de Java, su instalación y programación básica.

• Entorno de desarrollo apto para Java como Eclipse o IntelliJ Idea.

• Conocimientos básicos de lenguaje de consultas SQL.

• Familiaridad con los comandos de manipulación de archivos de los sistemas POSIX (Unix, Linux, Mac OSX, Cygwin).

• Se requiere una computadora capaz de ejecutar Java e instalar HDFS. Se recomienda generar una máquina virtual con alguna sistema operativo Linux gratuito, con Java Development Kit instalado.

En caso que se desee trabajar en Windows, las instrucciones para descargar e instalar HDFS (de Hadoop) deberán ser realizadas previo a la sesión que el curso lo requiera siguiendo las instrucciones del sitio de Hadoop. (https://wiki.apache.org/hadoop/

Hadoop2OnWindows).

En la modalidad Online usted tiene 3 meses para completar el curso. Los contenidos del curso

comprenden 24 horas cronológicas de sesiones de clases grabadas. Usted tiene dos opciones para visualizar el curso:

Los participantes que completen exitosamente el curso tendrán acceso a la siguiente certificación:

• Certificación por haber aprobado el curso: “Big Data con MongoDB, Hadoop y Spark” emitida por BSG Institute.

(21)

Duración: 1 Meses

Curso Aplicaciones con MongoDB

• Entender los conceptos fundamentales de funcionamiento de MongoDB.

• Entender los conceptos para el diseño de bases de datos eficientes en MongoDB.

• Aprender a instalar y utilizar las herramientas básicas de MongoDB para desarrollar

aplicaciones.

• Poder realizar una aplicación que utilice MongoDB como medio de almacenamiento principal, basado en un caso de uso práctico.

• Proporcionar las bases para poder aplicar los conceptos del curso utilizando otras herramientas y lenguajes de programación.

Introducción a MongoDB, instalación y operaciones básicas

• Introducción.

• Operaciones básicas (CRUD).

• Diseño de base de datos.

• Performance.

Agregación de datos y replicación

• Framework de Agregación.

• Map/Reduce.

• Replicación y Sharding.

Desarrollo de Aplicaciones con MongoDB

• Preparación y Drivers.

• Caso práctico.

• Conclusiones.

• El Curso Aplicaciones con MongoDB está dirigido a desarrolladores de software, programadores y analistas de datos que trabajen actualmente con bases de datos de cualquier tipo, o desarrollen o utilicen aplicaciones orientadas a la manipulación y análisis de datos.

Prerrequisitos:

Se recomienda que el participante posea:

• Conocimiento de algún lenguaje de programación de uso general como JavaScript, Python, Java, Scala, VB.Net o C++ (El shell de MongoDB y los ejemplos del curso se basan en JavaScript, fácilmente entendible para desarrolladores que manejen otro lenguaje de uso general).

• Una computadora capaz de ejecutar MongoDB y Nades: Ambas aplicaciones soportan Windows de 64bits, Linux o Mac OSX y se requiere un mínimo de 4Gb de memoria.

• Algún editor de texto o entorno de desarrollo para editar código JavaScript como Eclipse o IntelliJ Idea.

En la modalidad Online usted tiene 2 meses para completar el curso. Los contenidos del curso comprenden 12 horas cronológicas de sesiones de clases grabadas. Usted tiene dos opciones para visualizar el curso:

“Aplicaciones con MongoDB” emitida por BSG Institute.

NOTA: El profesor no brindará asistencia para la instalación y funcionamiento de las herramientas en los diferentes sistemas operativos y variantes, mas que informar los links a los instructivos necesarios. El curso será demostrado con ejemplos corriendo sobre una máquina virtual con sistema operativo Linux o Mac OSX.

(22)

Duración: 1 Meses

Curso Análisis de Datos con Hadoop y Spark

• Conocer los componentes principales del ecosistema Hadoop.

• Comprender los conceptos y poder utilizar los componentes fundamentales: HDFS y MapReduce.

• Aprender a integrar datos de fuentes diversas con el fin de obtener información apta para el análisis.

• Conocer y poder ejecutar aplicaciones prácticas con Spark.

• Proporcionar conocimientos para poder diseñar e implementar aplicaciones que involucren integración de datos y análisis de información en esta plataforma.

Introducción y componentes principales de Hadoop

• Introducción.

• HDFS.

• YARN y MapReduce.

• Caso de uso práctico.

Análisis de datos y desarrollo de aplicaciones con Spark

• Introducción a Spark.

• Agregación de datos.

• Desarrollo de aplicaciones con Spark y Java.

• Spark SQL.

Arquitectura de soluciones de Business Intelligence

• Arquitectura de un sistema de datos escalable.

• Integración de la solución.

• Conclusiones.

• El Curso Análisis de Datos con Hadoop y Spark está dirigido a desarrolladores de software, programadores y analistas de datos que trabajen actualmente con bases de datos de cualquier tipo, o desarrollen o utilicen aplicaciones orientadas a la manipulación y análisis de datos.

Prerrequisitos:

Se recomienda que el participante posea:

• Conocimientos de Java, su instalación y programación básica.

• Entorno de desarrollo apto para Java como Eclipse o IntelliJ Idea.

• Conocimientos básicos de lenguaje de consultas SQL.

• Familiaridad con los comandos de manipulación de archivos de los sistemas POSIX (Unix, Linux, Mac OSX, Cygwin).

• Se requiere una computadora capaz de ejecutar Java e instalar HDFS. Se recomienda generar una maquina virtual con alguna sistema operativo Linux gratuito, con Java Development Kit instalado.

• En caso que se desee trabajar en Windows, las instrucciones para descargar e instalar HDFS (de Hadoop) deberán ser realizadas previo a la sesión que el curso lo requiera siguiendo las instrucciones del sitio de Hadoop. (https://

wiki.apache.org/hadoop/Hadoop2OnWindows).

En la modalidad Online usted tiene 2 meses para completar el curso. Los contenidos del curso comprenden 12 horas cronológicas de sesiones de clases grabadas. Usted tiene dos opciones para visualizar el curso:

Si tiene alguna duda para esto solo tiene que contactarse con nosotros para darle mayor información al respecto.

• Certificación por haber aprobado el curso: “Análisis de Datos con Hadoop y Spark” emitida por BSG Institute.

NOTA: El profesor no brindará asistencia para la instalación y funcionamiento de las herramientas en los diferentes sistemas operativos y variantes, más que informar los links a los instructivos necesarios. El curso será demostrado con ejemplos corriendo sobre una máquina virtual con sistema operativo Linux o Mac OSX.