Listado completo de 40 materias distribuidas en 8 semestres para la carrera Big Data de UNIBISA.

—

SEMESTRE 1

1. Fundamentos de Programación (Python)
2. Matemáticas Discretas
3. Introducción a Big Data y Ecosistema
4. Álgebra Lineal
5. Comunicación Técnica y Visualización de Datos

SEMESTRE 2

1. Estructuras de Datos
2. Cálculo Diferencial e Integral
3. Probabilidad y Estadística
4. Bases de Datos (SQL Avanzado)
5. Taller de Ética y Gobernanza de Datos

SEMESTRE 3

1. Programación Orientada a Objetos (Java/Scala)
2. Sistemas Operativos y Administración Linux
3. Almacenamiento Distribuido (HDFS)
4. Procesamiento Batch con Hadoop MapReduce
5. Fundamentos de NoSQL (MongoDB, Cassandra)

SEMESTRE 4

1. Algoritmos y Complejidad
2. Procesamiento de Datos con Spark (PySpark)
3. Bases de Datos NoSQL Avanzadas
4. Data Warehousing Moderno (Hive, HBase)
5. Proyecto Integrador I (Pipeline ETL con Hadoop/Spark)

SEMESTRE 5

1. Streaming de Datos (Kafka, Spark Streaming)
2. Cloud Big Data (AWS EMR, Dataproc, Azure Synapse)
3. Gestión de Metadatos y Catálogos de Datos
4. Optimización de Consultas y Procesamiento
5. Proyecto Integrador II (Procesamiento en tiempo real)

SEMESTRE 6

1. Machine Learning a Escala (MLlib, Spark ML)
2. Visualización de Grandes Volúmenes de Datos (Tableau, Power BI)
3. Data Lakehouse (Delta Lake, Iceberg)
4. Seguridad y Cumplimiento en Big Data
5. Proyecto Integrador III (Arquitectura end-to-end)

SEMESTRE 7

1. Arquitecturas Lambda y Kappa
2. Big Data en Entornos Multi‑cloud
3. DataOps y Automatización de Pipelines
4. Casos de Negocio con Big Data (Analítica, IoT, Fintech)
5. Electiva I (opciones: Graph Databases, Big Data en salud, Big Data geográfico)

SEMESTRE 8

1. Seminario de Investigación en Big Data
2. Prácticas Profesionales Virtuales
3. Legislación y Protección de Datos Masivos
4. Emprendimiento en Soluciones Big Data
5. Trabajo de Grado (Proyecto integral de arquitectura Big Data)

—

Nota: Cada materia tiene una carga horaria estimada de 80 horas, totalizando 3200 horas. El enfoque es práctico con laboratorios en entornos cloud, uso de ecosistema Hadoop/Spark, y desarrollo de pipelines de datos con herramientas modernas.