se centra en el diseño y gestión avanzada de data lakes, feature stores, catalogación y calidad de datos para sostenibilidad operativa en entornos industriales aeronáuticos. Este enfoque integra metodologías robustas de ETL, procesamiento distribuido con Spark y gobernanza de datos alineada con prácticas de CI/CD y MLOps, en plataformas escalables que soportan análisis en tiempo real y batch. La convergencia de tecnologías Big Data y aprendizaje automático aplicado permite optimizar mantenimiento predictivo y mejora continua en la cadena de valor aeronáutica, respaldado por arquitecturas orientadas a microservicios y contenedores basados en Kubernetes y orquestadores cloud.
Los laboratorios especializados en HIL y SIL junto con sistemas de adquisición de datos de alta frecuencia, aseguran rigurosidad en la monitorización y trazabilidad de calidad, cumpliendo con la normativa aplicable internacional para la industria aeroespacial y estándares de ciberseguridad. Esta capacitación sustenta roles profesionales como Data Engineer, MLOps Engineer, Data Scientist, Cloud Architect y Quality Assurance Specialist, orientados a entornos críticos de aviación, defesa y vehículos eléctricos de última generación.
4.700 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Requisitos recomendados: Conocimientos básicos de programación (Python), estadística y conceptos de Machine Learning. Se valora experiencia con herramientas de big data y cloud computing.
1.1 Data Lakes para la Ingeniería Naval: conceptos, arquitecturas, almacenamiento masivo y gobernanza de datos
1.2 Ingesta de datos marítimos: sensores de buques, plataformas offshore, AIS, radar y SCADA
1.3 Feature Stores para mantenimiento predictivo y analítica de sensores de navegación
1.4 Catalogación y linaje de datos: metadatos, catálogo central y trazabilidad en entornos navales
1.5 Calidad de datos en Data Lakes: definición de calidad, validación, limpieza y perfiles
1.6 Monitoreo de calidad de datos y data profiling en tiempo real en entornos marinos
1.7 MLOps para la ingeniería de datos industrial naval: pipelines, pruebas, validación y despliegue
1.8 Seguridad, cumplimiento y control de acceso en plataformas de datos navales
1.9 Gobernanza de datos y estándares: políticas, roles, auditoría e interoperabilidad
1.10 Caso práctico: go/no-go con matriz de riesgo para un programa de modernización de datos navales
2.1 Data Lakes: Arquitectura, almacenamiento y patrones (data lake, lakehouse, capas, formatos y gobernanza)
2.2 Ingesta de datos y pipelines: batch y streaming, integración de fuentes industriales, orquestación
2.3 Catalogación y metadata: Data catalog, linaje, taxonomía y descubrimiento de datos
2.4 Calidad de datos y validación: profiling, reglas de calidad, limpieza, monitoreo y dashboards
2.5 Gobernanza, seguridad y cumplimiento: políticas de datos, control de acceso, masking y cumplimiento normativo
2.6 Feature Stores: diseño, versionado, almacenamiento y consumo de features para ML
2.7 MLOps: ciclo de vida de ML, experimentación, reproducibilidad y CI/CD para modelos
2.8 Linaje de datos y trazabilidad: auditoría de transformaciones y origen de datos a través de pipelines
2.9 Seguridad, privacidad y cumplimiento operativo: protección de datos, PII, cifrado, auditoría
2.10 Caso práctico: go/no-go con matriz de riesgos para proyecto de datos industriales
3.1 Panorama de la Ingeniería de Datos Industrial: alcance, roles y retos en el sector naval
3.2 Data Lakes para la Ingeniería de Datos Industrial: arquitectura, almacenamiento y gobernanza
3.3 Data Lakes vs Data Warehouses en entornos industriales: cuándo usar cada uno
3.4 Catalogación y metadatos: Data Catalog, linaje y gobernanza de datos
3.5 Calidad de datos: perfiles, validación, limpieza y trazabilidad
3.6 Feature Stores para modelos ML industriales: almacenamiento y versionado de características
3.7 Pipelines de datos y orquestación: ETL/ELT, orquestadores y buenas prácticas
3.8 MLOps en Ingeniería de Datos Industrial: CI/CD para modelos, monitoreo y gestión del ciclo de vida
3.9 Seguridad, cumplimiento y privacidad en datos industriales: roles, acceso y auditoría
3.10 Caso práctico: diseño de una pila de datos para mantenimiento predictivo en buques y operaciones navales
4.1 Data Lakes: fundamentos, arquitectura y capas – definición de Data Lakes, diferencias con Data Warehouses, capas (raw, curated, enriched), principios de indexing, particionado y acceso rápido; visión general de herramientas y flujos de trabajo.
4.2 Data Lakes en Ingeniería de Datos Industrial: integración de datos OT/IT, sensores, maquinaria, MES/SCADA; patrones de ingestión, gobernanza y seguridad en entornos industriales; casos de uso típicos.
4.3 Ingesta de Datos y pipelines: estrategias ETL vs ELT, ingesta batch y en tiempo real, conectores y adaptadores, orquestación (Airflow, Prefect) y monitoreo de pipelines.
4.4 Catalogación y Metadata: data catalog, linaje de datos, metadatos técnicos y de negocio, descubrimiento de datos, gobernanza y roles (data steward, data owner).
4.5 Calidad de Datos en Data Lakes: perfiles de datos, reglas de calidad, validaciones y pruebas automatizadas, monitoreo continuo y reporting de calidad.
4.6 Feature Stores: definición y propósito, almacenamiento de características, versionado y reproducibilidad, consumo por modelos, consistencia online/offline y latencia.
4.7 Gobierno de Datos y Seguridad: control de acceso (RBAC/ABAC), clasificación de datos, cifrado, masking, auditoría, cumplimiento normativo y políticas de retención.
4.8 MLOps y DataOps en Data Lakes: integración del ciclo de vida de ML, detección de drift de datos y de características, pruebas de datos, pipelines de despliegue de features y ML.
4.9 Data Lakehouse y Arquitecturas Modernas: convergencia de lago de datos y almacén de datos, tecnologías como Delta Lake/Apache Iceberg, gobernanza unificada y optimización de rendimiento.
4.10 Casos Prácticos: Case Clinic: go/no-go con matriz de riesgo, análisis de viabilidad de pipelines, evaluación de costos y beneficios, entregables y plan de implementación.
5. 1 Introducción a la Ingeniería de Datos Industrial: Panorama General y Tendencias
5. 2 Data Lakes: Arquitectura, Diseño y Implementación
5. 3 Feature Stores: Diseño, Implementación y Casos de Uso
5. 4 Integración de Data Lakes y Feature Stores: Flujos de Datos y Pipelines
5. 5 Almacenamiento y Gestión de Datos en Escala: Consideraciones Industriales
5. 6 Herramientas y Tecnologías Clave para Data Lakes y Feature Stores
5. 7 Casos de Estudio: Aplicaciones Industriales de Data Lakes y Feature Stores
5. 8 Diseño de una Arquitectura de Datos Escalable y Eficiente
5. 9 Buenas Prácticas y Optimización en Data Lakes y Feature Stores
5. 10 Futuro de los Data Lakes y Feature Stores en la Industria
6.1 Introducción a la Ingeniería de Datos Industrial: Fundamentos y Panorama
6.2 Data Lakes: Diseño, Implementación y Gobernanza
6.3 Feature Stores: Conceptos, Diseño y Arquitectura
6.4 ETL/ELT: Transformación de Datos para la Industria
6.5 Almacenamiento y Gestión de Datos a Escala
6.6 Herramientas y Tecnologías Clave: Apache Spark, Hadoop, etc.
6.7 Casos de Uso Industrial: Ejemplos y Aplicaciones Prácticas
6.8 Diseño de Data Pipelines: Escalabilidad y Eficiencia
6.9 Calidad de Datos: Validación y Limpieza
6.10 Métricas y Monitoreo: Seguimiento del Rendimiento
7.1 Introducción a Data Lakes: Conceptos y Arquitectura
7.2 Diseño y Implementación de Data Lakes: Plataformas y Tecnologías
7.3 Feature Stores: Diseño y Funcionamiento
7.4 Integración de Data Lakes y Feature Stores
7.5 Almacenamiento y Gestión de Datos: Estrategias y Herramientas
7.6 Gobernanza y Seguridad en Data Lakes y Feature Stores
7.7 Optimización del Rendimiento y Escalabilidad
7.8 Casos de Uso: Aplicaciones Industriales de Data Lakes y Feature Stores
7.9 Extracción, Transformación y Carga (ETL) para Data Lakes
7.10 Herramientas y Tecnologías de Vanguardia
8.1 Introducción a la Ingeniería de Datos Industrial.
8.2 El Concepto de Data Lakes: Arquitectura y Diseño.
8.3 Implementación de Feature Stores: Almacenamiento y Gestión.
8.4 Fundamentos de la Calidad de Datos: Validación y Limpieza.
8.5 Catalogación de Datos: Descubrimiento y Gobernanza.
8.6 Introducción a MLOps: Pipelines de Datos y Automatización.
8.7 Caso de Estudio: Data Lakes y Feature Stores en la Industria.
8.8 Herramientas y Tecnologías Clave para Data Lakes y Feature Stores.
8.9 Buenas Prácticas y Consideraciones de Diseño.
8.10 Futuro de la Ingeniería de Datos Industrial.
9.1 Fundamentos de Data Lakes: Conceptos y Arquitectura
9.2 Diseño e Implementación de Data Lakes: Consideraciones Clave
9.3 Almacenamiento y Formatos de Datos en Data Lakes
9.4 Introducción a Feature Stores: Conceptos y Beneficios
9.5 Diseño de Feature Stores: Estrategias y Patrones
9.6 Integración de Data Lakes y Feature Stores: Flujos de Datos
9.7 Escalabilidad y Rendimiento en Data Lakes y Feature Stores
9.8 Herramientas y Tecnologías para Data Lakes y Feature Stores
9.9 Casos de Uso en la Ingeniería de Datos Industrial
9.10 Consideraciones de Seguridad y Gobernanza en Data Lakes y Feature Stores
10.1 Introducción a Data Lakes: Almacenamiento escalable y flexible de datos.
10.2 Arquitectura de Data Lakes: Diseño y componentes clave.
10.3 Implementación de Data Lakes: Herramientas y tecnologías (Hadoop, Spark, etc.).
10.4 Feature Stores: Conceptos y beneficios.
10.5 Diseño de Feature Stores: Almacenamiento y gestión de características.
10.6 Implementación de Feature Stores: Herramientas y frameworks.
10.7 Integración Data Lake – Feature Store: Flujos de datos y pipelines.
10.8 Casos de uso: Aplicaciones industriales de Data Lakes y Feature Stores.
10.9 Consideraciones de rendimiento: Optimización y escalabilidad.
10.10 Desafíos y mejores prácticas: Gestión de datos en la industria.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).