Master en Formación Permanente en Big Data y Data Science
100% Online
12 meses
2195€
Matricularme
Master en Formación Permanente en Big Data y Data Science
    Master en Formación Permanente en Big Data y Data Science

    Master en Formación Permanente en Big Data y Data Science

    100% Online
    60 ECTS
    12 meses
    2195€
    Matricularme

    Presentación

    Actualmente, en muchos sectores, la creciente cantidad de datos y el auge del Internet de las cosas (IoT) presentan la necesidad de analizar y procesar toda esta información para la mejora y adecuación de las estrategias de negocio de las empresas. Además, todas las empresas buscan la reducción de sus costes y mediante la aplicación de las técnicas adecuadas de Big Data este objetivo puede cumplirse. Con este Máster en Big Data y Data Science tendrás la posibilidad de trabajar en proyectos donde se busca la mejor solución sin dejar de lado la escalabilidad de los datos. Además, contarás con un equipo de profesionales especializados en la materia. Además, gracias a las prácticas garantizadas, podrás acceder a un mercado laboral en plena expansión.

    Universidades colaboradoras

    Para qué te prepara
    En este Master en Big Data y Data Science gestionarás datos masivos, viendo las diferentes fases a seguir para explotar todo su potencial y extraer conclusiones relevantes para las empresas. Utilizarás las herramientas más actuales en proyectos de Big Data, analizarás datos con Python y R, aplicarás algoritmos de machine learning, crearás chatbots, crearás informes con Power BI y aplicarás la analítica web con Google Analytics.
    Objetivos
    - Aprender los principios del Big Data y el desarrollo de las fases de un proyecto de Big Data. - Conocer las herramientas existentes y su uso para analizar y explotar datos masivos. - Explotar datos y visualizar resultados a través de técnicas de Data Science. - Comprender y utilizar la programación estadística con R y Python. - Conocer en qué consiste el Data Mining y aplicarlo correctamente. - Saber utilizar las analíticas web para Big Data y aplicarlas mediante Google Analytics. - Crear visualizaciones de datos profesionales y poder compartir informes mediante Power BI.
    A quién va dirigido
    El Master en Big Data y Data Science puede aplicarse a muchos sectores y perfiles, por lo que es dirigido para aquellas personas que quieran conocer en qué consiste el Big Data, cómo pueden aplicarlo en distintos ámbitos con el objetivo de mejorar su carrera profesional y con qué herramientas se puede llevar a cabo dichos análisis de grandes volúmenes de datos.
    Salidas Profesionales
    Gracias a la realización de este Master en Big Data y Data Science podrás desarrollar proyectos de Big Data y te permitirá trabajar en puestos especializados como Consultor/Auditor de sistemas Big Data, Analista de datos, Arquitecto en soluciones Big Data, Experto en estrategias de desarrollo mediante Big Data, Programador de aplicaciones en Python y R o Data Scientist.
    Temario

    MÓDULO 1. BIG DATA Y STORYTELLING

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA

    1. ¿Qué es Big Data?
    2. La era de las grandes cantidades de información: historia del big data
    3. La importancia de almacenar y extraer información
    4. Big Data enfocado a los negocios
    5. Open data
    6. Información pública
    7. IoT (Internet of Things-Internet de las cosas)

    UNIDAD DIDÁCTICA 2. FUENTES DE DATOS

    1. Definición y relevancia de la selección de las fuentes de datos
    2. Naturaleza de las fuentes de datos Big Data

    UNIDAD DIDÁCTICA 3. OPEN DATA

    1. Definición, Beneficios y Características
    2. Ejemplo de uso de Open Data

    UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA

    1. Diagnóstico inicial
    2. Diseño del proyecto
    3. Proceso de implementación
    4. Monitorización y control del proyecto
    5. Responsable y recursos disponibles
    6. Calendarización
    7. Alcance y valoración económica del proyecto

    UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN

    1. Definiendo el concepto de Business Intelligence y Sociedad de la Información
    2. Arquitectura de una solución Business Intelligence
    3. Business Intelligence en los departamentos de la empresa
    4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
    5. Sistemas Operacionales y Procesos ETL en un sistema de BI
    6. Ventajas y Factores de Riesgos del Business Intelligence

    UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE

    1. Cuadros de Mando Integrales (CMI)
    2. Sistemas de Soporte a la Decisión (DSS)
    3. Sistemas de Información Ejecutiva (EIS)

    UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING

    1. Apoyo del Big Data en el proceso de toma de decisiones
    2. Toma de decisiones operativas
    3. Marketing estratégico y Big Data
    4. Nuevas tendencias en management
    5. Ejercicios Prácticos

    UNIDAD DIDÁCTICA 8. DEL BIG DATA AL LINKED OPEN DATA

    1. Concepto de Web Semántica
    2. Linked Data Vs. Big Data
    3. Lenguaje de consulta SPARQL

    UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS

    1. Contexto Internet de las Cosas (IoT)
    2. ¿Qué es IoT?
    3. Elementos que componen el ecosistema IoT
    4. Arquitectura IoT
    5. Dispositivos y elementos empleados
    6. Ejemplos de uso
    7. Retos y líneas de trabajo futuras

    UNIDAD DIDÁCTICA 10. STORYTELLING

    1. ¿Qué es el Data Storytelling?
    2. Elementos clave del Data Storytelling
    3. ¿Por qué es importante el Data Storytelling?
    4. ¿Cómo hacer Data Storytelling?

    MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS

    1. ¿Qué es la ciencia de datos?
    2. Herramientas necesarias para el científico de datos
    3. Data Science & Cloud Computing
    4. Aspectos legales en Protección de Datos

    UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES

    1. Introducción
    2. El modelo relacional
    3. Lenguaje de consulta SQL
    4. MySQL Una base de datos relacional

    UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE

    1. ¿Qué es una base de datos NoSQL?
    2. Bases de datos Relaciones Vs Bases de datos NoSQL
    3. Tipo de Bases de datos NoSQL Teorema de CAP
    4. Sistemas de Bases de datos NoSQL

    UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB

    1. ¿Qué es MongoDB?
    2. Funcionamiento y uso de MongoDB
    3. Primeros pasos con MongoDB: Instalación y shell de comandos
    4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
    5. Actualización de datos en MongoDB: Sentencias set y update
    6. Trabajando con índices en MongoDB para optimización de datos
    7. Consulta de datos en MongoDB

    UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING

    1. ¿Qué es Weka?
    2. Técnicas de Data Mining en Weka
    3. Interfaces de Weka
    4. Selección de atributos

    UNIDAD DIDÁCTICA 6. PENTAHO

    1. Una aproximación a PENTAHO
    2. Soluciones que ofrece PENTAHO
    3. MongoDB & PENTAHO
    4. Hadoop & PENTAHO
    5. Weka & PENTAHO

    UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA

    1. Introducción a R
    2. ¿Qué necesitas?
    3. Tipos de datos
    4. Estadística Descriptiva y Predictiva con R
    5. Integración de R en Hadoop

    UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

    1. Obtención y limpieza de los datos (ETL)
    2. Inferencia estadística
    3. Modelos de regresión
    4. Pruebas de hipótesis

    UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS

    1. Inteligencia Analítica de negocios
    2. La teoría de grafos y el análisis de redes sociales
    3. Presentación de resultados

    MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

    UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB

    UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS

    UNIDAD DIDÁCTICA 4. PIVOT TABLES

    UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN

    UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES

    UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN

    UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING

    UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

    UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES

    UNIDAD DIDÁCTICA 11. NAIVE BAYES

    UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

    UNIDAD DIDÁCTICA 13. KNN

    UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)

    UNIDAD DIDÁCTICA 15. RANDOM FOREST

    MÓDULO 4. DATA MINING, APRENDIZAJE AUTOMÁTICO Y MACHINE LEARNING

    UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

    1. Introducción a la minería de datos y el aprendizaje automático
    2. Proceso KDD
    3. Modelos y Técnicas de Data Mining
    4. Áreas de aplicación
    5. Minería de textos y Web Mining
    6. Data mining y marketing

    UNIDAD DIDÁCTICA 2. EL CICLO DE DATA MINING: FASES Y TIPOS DE PROBLEMAS

    1. Tipos de problemas
    2. Implicaciones de los datos, dominios, técnicas en las fases del proceso
    3. Casos de uso

    UNIDAD DIDÁCTICA 3. TÉCNICAS DE DATA MINING

    1. Clasificación o Arboles de decisión o Naive Bayes
    2. Clustering o K-means o EM
    3. Asociacion o A priori

    UNIDAD DIDÁCTICA 4. ECOSISTEMA HADOOP

    1. ¿Qué es Hadoop? Relación con Big Data
    2. Instalación y configuración de insfraestructura y ecosistema Hadoop
    3. Sistema de archivos HDFS
    4. MapReduce con Hadoop
    5. Apache Hive
    6. Apache Hue
    7. Apache Spark

    UNIDAD DIDÁCTICA 5. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

    1. Introducción a la inteligencia artificial
    2. Historia
    3. La importancia de la IA

    UNIDAD DIDÁCTICA 6. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

    1. Algoritmos aplicados a la inteligencia artificial

    UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

    1. Relación entre inteligencia artificial y big data
    2. IA y Big Data combinados
    3. El papel del Big Data en IA
    4. Tecnologías de IA que se están utilizando con Big Data

    UNIDAD DIDÁCTICA 8. SISTEMAS EXPERTOS

    1. Sistemas expertos
    2. Estructura de un sistema experto
    3. Inferencia: Tipos
    4. Fases de construcción de un sistema
    5. Rendimiento y mejoras
    6. Dominios de aplicación
    7. Creación de un sistema experto en C#
    8. Añadir incertidumbre y probabilidades

    UNIDAD DIDÁCTICA 9. INTRODUCCIÓN AL MACHINE LEARNING

    1. Introducción
    2. Clasificación de algoritmos de aprendizaje automático
    3. Ejemplos de aprendizaje automático
    4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
    5. Tipos de algoritmos de aprendizaje automático
    6. El futuro del aprendizaje automático

    UNIDAD DIDÁCTICA 10. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

    1. Introducción
    2. Algoritmos

    UNIDAD DIDÁCTICA 11. SISTEMAS DE RECOMENDACIÓN

    1. Introducción
    2. Filtrado colaborativo
    3. Clusterización
    4. Sistemas de recomendación híbridos

    UNIDAD DIDÁCTICA 12. CLASIFICACIÓN

    1. Clasificadores
    2. Algoritmos

    UNIDAD DIDÁCTICA 13. REDES NEURONALES Y DEEP LEARNING

    1. Componentes
    2. Aprendizaje

    UNIDAD DIDÁCTICA 14. SISTEMAS DE ELECCIÓN

    1. Introducción
    2. El proceso de paso de DSS a IDSS
    3. Casos de aplicación

    MÓDULO 5. DESARROLLO DE DEEP LEARNING

    UNIDAD DIDÁCTICA 1. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

    1. Aprendizaje profundo
    2. Entorno de Deep Learning con Python
    3. Aprendizaje automático y profundo

    UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES

    1. Redes neuronales
    2. Redes profundas y redes poco profundas

    UNIDAD DIDÁCTICA 3. REDES DE UNA SOLA CAPA

    1. Perceptrón de una capa y multicapa
    2. Ejemplo de perceptrón

    UNIDAD DIDÁCTICA 4. REDES MULTICAPA

    1. Tipos de redes profundas
    2. Trabajar con TensorFlow y Python

    UNIDAD DIDÁCTICA 5. ESTRATEGIAS DE APRENDIZAJE

    1. Entrada y salida de datos
    2. Entrenar una red neuronal
    3. Gráficos computacionales
    4. Implementación de una red profunda
    5. El algoritmo de propagación directa
    6. Redes neuronales profundas multicapa

    MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

    1. ¿Qué es PLN?
    2. ¿Qué incluye el PLN?
    3. Ejemplos de uso de PLN
    4. Futuro del PLN

    UNIDAD DIDÁCTICA 2. PLN EN PYTHON

    1. PLN en Python con la librería NLTK
    2. Otras herramientas para PLN

    UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

    1. Principios del análisis sintáctico
    2. Gramática libre de contexto
    3. Analizadores sintácticos (Parsers)

    UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

    1. Aspectos introductorios del análisis semántico
    2. Lenguaje semántico para PLN
    3. Análisis pragmático

    UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

    1. Aspectos introductorios
    2. Pasos en la extracción de información
    3. Ejemplo PLN
    4. Ejemplo PLN con entrada de texto en inglés

    UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?

    1. Aspectos introductorios
    2. ¿Qué es un chatbot?
    3. ¿Cómo funciona un chatbot?
    4. VoiceBots
    5. Desafios para los Chatbots

    UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS

    1. Chatbots y el papel de la Inteligencia Artificial (IA)
    2. Usos y beneficios de los chatbots
    3. Diferencia entre bots, chatbots e IA

    UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS

    1. Áreas de aplicación de Chatbots
    2. Desarrollo de un chatbot con ChatterBot y Python
    3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

    MÓDULO 7. POWER BI

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A POWER BI

    1. ¿Qué es Power BI?
    2. Funciones de Power BI
    3. Versiones de Power BI
    4. Roles de Power BI
    5. Planificación de proyectos con Power BI

    UNIDAD DIDÁCTICA 2. INSTALACIÓN DE POWER BI

    1. Instalación y puesta en marcha
    2. Conexión de datos a Power BI
    3. Filtrado de datos
    4. Vista de datos

    UNIDAD DIDÁCTICA 3. MODELADO DE DATOS

    1. Introducción al modelado de datos
    2. Creación de medidas
    3. Creación y relación entre tablas
    4. Creación de columnas y medidas calculadas
    5. Dinamizar columnas
    6. Fórmulas de consulta

    UNIDAD DIDÁCTICA 4. VISUALIZACIÓN DE DATOS

    1. Creación de gráficas
    2. Tablas dinámicas
    3. Segmentación de datos
    4. Uso de objetos visuales
    5. Formas y cuadros de texto
    6. Imágenes
    7. Matrices y tablas
    8. Cómo crear un velocímetro
    9. Mapas
    10. Slicers
    11. Cómo modificar colores

    UNIDAD DIDÁCTICA 5. DASHBOARDS

    1. Uso del Dashboard
    2. Compartir Dashboards
    3. Añadir Widgets
    4. Cómo crear reportes
    5. Ajustes del panel
    6. Preguntas y respuestas del Dashboard

    UNIDAD DIDÁCTICA 6. USO COMPARTIDO DE DATOS

    1. Exportar datos de Power BI a Excel
    2. Exportar Dashboards
    3. Crear paquetes de contenido
    4. Presentación de informes
    5. Cómo públicar y compartir informes
    6. Introducción a Power BI mobile

    MÓDULO 8. ANALÍTICA WEB

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB

    1. ¿Qué es la analítica web?
    2. Establecimiento de objetivos y KPIs
    3. Métricas principales y avanzadas
    4. Objetivos y ventajas de medir
    5. Plan de medición

    UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4

    1. Introducción a Google Analytics 4
    2. Interfaz
    3. Métricas y dimensiones
    4. Informes básicos
    5. Filtros
    6. Segmentos
    7. Eventos
    8. Informes personalizados
    9. Comportamiento de los usuarios e interpretación de datos

    UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER

    1. Introducción a GTM
    2. Implementación con GTM
    3. Medición con GTM
    4. Uso de Debug/Preview Mode

    UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN

    1. La atribución
    2. Multicanalidad
    3. Customer Journey
    4. Principales modelos de atribución
    5. Modelos de atribución personalizados

    UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO

    1. Planificación del Dashboard
    2. Características del Dashboard
    3. Introducción a Data Studio
    4. Conectores
    5. Tipos de gráficos
    6. Personalización de informes
    7. Elementos de control
    8. Dimensiones y métricas
    9. Campos Calculados
    10. Compartir informes

    UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO

    1. Introducción al SEO
    2. Historia de los motores de búsqueda
    3. Componentes de un motor de búsqueda
    4. Organización de resultados en un motor de búsqueda
    5. La importancia del contenido
    6. El concepto de autoridad en Internet
    7. Campaña SEO

    UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM

    1. Introducción al SEM
    2. Principales conceptos en SEM
    3. Sistema de pujas y Calidad del anuncio
    4. Primer contacto con Google Ads
    5. Creación de anuncios con calidad
    6. Indicadores clave de rendimiento en SEM

    UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES

    1. Análisis del tráfico en redes sociales
    2. Fijar objetivos en redes sociales
    3. Facebook
    4. Twitter
    5. Youtube
    6. LinkedIn
    7. Tik tok
    8. Instagram

    UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS

    1. Usabilidad
    2. Mapas de calor
    3. Grabaciones de sesiones de usuario
    4. Ordenación de tarjetas
    5. Test A/B
    6. Test multivariante
    7. KPI, indicadores clave de rendimiento
    8. Cambios a realizar para optimizar una página web

    UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB

    1. Hotjar
    2. Microsoft Power BI
    3. Google Search Console
    4. Matomo
    5. Awstats
    6. Chartbeat
    7. Adobe Analytics

    UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO

    1. ¿Qué son las cookies?
    2. Tipos de cookies
    3. GDPR
    4. Herramientas para manejar el consentimiento de cookies

    MÓDULO 9. PROYECTO FIN DE MÁSTER

    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información