Máster en Data Science
1500 horas
Modalidad Online
Resumen
La creciente cantidad de datos y el desarrollo del Internet de las Cosas hacen que estén cada vez más presentes los conceptos de Data Science y el análisis de datos en los entornos empresariales, donde el científico de datos tiene un papel muy relevante en la explotación de éstos. Con el Master Oficial Universitario en Data Science podrás ponerte a la vanguardia en el uso de las nuevas tecnologías y algoritmos de análisis que le permitirán desarrollar las habilidades necesarias para extraer y evaluar datos de forma eficaz, permitiéndote tomar decisiones estratégicas y optimizar costes.
Objetivos
– Aprender a explotar los datos y visualizar resultados mediante técnicas de Data Science y programación estadística.
– Conocer los principales algoritmos de análisis estadístico utilizados en entorno de Big Data.
– Adquirir los conocimientos necesarios para el manejo de Bases de datos.
– Aprender a aplicar técnicas de Data Mining en Weka.
– Descubrir la creación de Dashboard.
Salidas profesionales
Las salidas profesionales de este Master Oficial Universitario en Data Science te permiten poder trabajar junto a los equipos directivos en la toma de decisiones como analista de mercado, digital manager, data architect, chief data officer y muchas otras profesiones emergentes. Desarrolla tu carrera profesional, adquiere una formación avanzada y amplía las fronteras en este sector.
Para que te prepara
Con el Master Oficial Universitario en Data Science tendrás la posibilidad de aprender a explotar los datos masivos haciendo uso de las técnicas estadísticas y lenguajes de programación más usados en un entorno de Big Data. Serás capaz de visualizar resultados y aplicar algoritmos, permitiéndote tomar decisiones estratégicas y optimizar cálculos. Tendrás la posibilidad de estudiar cómo llevar a cabo una base de datos y analizar las más exitosas.
A quién va dirigido
Este Master Oficial Universitario en Data Science puede ir dirigido a cualquier persona interesada en el mundo de la ciencia de datos y su aplicación a toda la tecnología que engloba el Big Data, haciendo hincapié en la especialización en el análisis y explotación de los datos. Además, sirve para cualquier profesional interesado/a en continuar formándose en este sector.
Temario
- Ingeniería de software, sus principios y objetivos
- Metodologías en Espiral, Iterativa y Ágiles
- Prácticas ágiles
- Métodos ágiles
- Evolución de las metodologías ágiles
- Metodologías ágiles frente a metodologías pesadas
- Principios de las metodologías ágiles
- Agile Manifesto
- User History
- La interacción como alternativa a la planificación lineal
- La comunicación y la motivación
- Características del liderazgo participativo
- Pensamiento disruptivo y desarrollo de la idea
- Prueba y error, learning by doing
- Definición y características de Extreme Programming
- Fases y reglas de XP
- La implementación y el diseño
- Los valores de XP
- Equipo y cliente de XP
- La teoría Scrum: framework
- El equipo
- Sprint Planning
- Cómo poner en marcha un Scrum
- Introducción al método Kanban
- Consejos para poner en marcha kanban
- Equipo
- Business Model Canvas o lienzo del modelo de negocio
- Scrumban
- Introducción al Lean Thinking
- Lean Startup
- Agile Inception Deck
- Design Thinking
- DevOps
- Dynamic Systems Development Method (DSDM)
- Crystal Methodologies
- Adaptative Software Development (ASD)
- Feature Driven Development (FDD)
- Agile Unified Process
- ¿Qué es Big Data?
- La era de las grandes cantidades de información. Historia del big data
- La importancia de almacenar y extraer información
- Big Data enfocado a los negocios
- Open Data
- Información pública
- IoT (Internet of Things-Internet de las cosas)
- Definición y relevancia de la selección de las fuentes de datos
- Naturaleza de las fuentes de datos Big Data
- Definición, Beneficios y Características
- Ejemplo de uso de Open Data
- Diagnóstico inicial
- Diseño del proyecto
- Proceso de implementación
- Monitorización y control del proyecto
- Responsable y recursos disponibles
- Calendarización
- Alcance y valoración económica del proyecto
- Definiendo el concepto de Business Intelligence y sociedad de la información
- Arquitectura de una solución de Business Intelligence
- Business Intelligence en los departamentos de la empresa
- Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
- Sistemas operacionales y Procesos ETL en un sistema de BI
- Ventajas y Factores de Riesgos del Business Intelligence
- Cuadros de Mando Integrales (CMI)
- Sistemas de Soporte a la Decisión (DSS)
- Sistemas de Información Ejecutiva (EIS)
- Apoyo del Big Data en el proceso de toma de decisiones
- Toma de decisiones operativas
- Marketing estratégico y Big Data
- Nuevas tendencias en management
- Concepto de web semántica
- Linked Data Vs Big Data
- Lenguaje de consulta SPARQL
- Contexto Internet de las Cosas (IoT)
- ¿Qué es IoT?
- Elementos que componen el ecosistema IoT
- Arquitectura IoT
- Dispositivos y elementos empleados
- Ejemplos de uso
- Retos y líneas de trabajo futuras
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Computing
- Aspectos legales en Protección de Datos
- Introducción
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL Una base de datos relacional
- ¿Qué es una base de datos NoSQL?
- Bases de datos Relaciones Vs Bases de datos NoSQL
- Tipo de Bases de datos NoSQL Teorema de CAP
- Sistemas de Bases de datos NoSQL
- ¿Qué es MongoDB?
- Funcionamiento y uso de MongoDB
- Primeros pasos con MongoDB: Instalación y shell de comandos
- Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
- Actualización de datos en MongoDB: Sentencias set y update
- Trabajando con índices en MongoDB para optimización de datos
- Consulta de datos en MongoDB
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
- Una aproximación a PENTAHO
- Soluciones que ofrece PENTAHO
- MongoDB & PENTAHO
- Hadoop & PENTAHO
- Weka & PENTAHO
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
- Introducción a la inteligencia artificial
- Historia
- La importancia de la IA
- Tipos de inteligencia artificial
- SUBEPÍGRAFE - Tipo 1: basado en capacidades
- SUBEPÍGRAFE - Tipo 2: basado en la funcionalidad
- Algoritmos aplicados a la inteligencia artificial
- SUBEPÍGRAFE - Aprendizaje supervisado
- SUBEPÍGRAFE - Aprendizaje sin supervisión
- SUBEPÍGRAFE - Lógica difusa
- SUBEPÍGRAFE - Búsqueda de rutas
- SUBEPÍGRAFE - Algoritmos genéticos
- SUBEPÍGRAFE - Optimización y mínimos
- Relación entre inteligencia artificial y big data
- IA y Big Data combinados
- El papel del Big Data en IA
- Tecnologías de IA que se están utilizando con Big Data
- Sistemas expertos
- Estructura de un sistema experto
- Inferencia: Tipos
- Fases de construcción de un sistema
- Rendimiento y mejoras
- Dominios de aplicación
- Creación de un sistema experto en C#
- Añadir incertidumbre y probabilidades
- Futuro de la inteligencia artificial
- Impacto de la IA en la industria
- El impacto económico y social global de la IA y su futuro
- Introducción
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
- Diferencias entre el aprendizaje automático y el aprendizaje profundo
- Tipos de algoritmos de aprendizaje automático
- El futuro del aprendizaje automático
- Introducción
- Algoritmos
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
- Clasificadores
- Algoritmos
- SUBEPÍGRAFE - Máquinas de vectores soporte (Support Vector Machine - SVN)
- SUBEPÍGRAFE - Vecion más cercano: K-nearest Neighbour (KNN)
- SUBEPÍGRAFE - Árbol de decisión
- SUBEPÍGRAFE - Random Forest
- Componentes
- SUBEPÍGRAFE - Perceptrón
- SUBEPÍGRAFE - Redes feed-forward
- Aprendizaje
- SUBEPÍGRAFE - Otras redes
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
- Redes neuronales
- Redes profundas y redes poco profundas
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
- El algoritmo de propagación directa
- Redes neuronales profundas multicapa
- ¿Qué es el análisis de datos?
- Análisis de datos con NumPy
- Pandas
- Matplotlib
- SUBEPÍGRAFE - La jerarquía de objetos de Matplotlib
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
- Pivot tables en pandas
- El grupo de pandas
- Python Pandas fusionando marcos de datos
- Matplotlib
- Seaborn
- Aprendizaje automático
- Regresión lineal
- Regresión logística
- Estructura de árbol
- Algortimo de Naive bayes
- Tipos de Naive Bayes
- Máquinas de vectores soporte (Support Vector Machine-SVM)
- ¿Cómo funciona SVM?
- Núcleos SVM
- Construcción de clasificador en Scikit-learn
- K-nearest Neighbors (KNN)
- Implementación de Python del algoritmo KNN
- Análisis de componentes principales
- Algorimto de Random Forest
- ¿Qué es la visualización de datos?
- Importancia y herramientas de la visualización de datos
- Visualización de datos: Principios básicos
- ¿Qué es Tableau? Usos y aplicaciones
- Tableau Server: Arquitectura y Componentes
- Instalación Tableau
- Espacio de trabajo y navegación
- Conexiones de datos en Tableau
- Tipos de filtros en Tableau
- Ordenación de datos, grupos, jerarquías y conjuntos
- Tablas y gráficos en Tableau
- Fundamentos D3
- Instalación D3
- Funcionamiento D3
- SVG
- Tipos de datos en D3
- Diagrama de barras con D3
- Diagrama de dispersión con D3
- Google Data Studio
- Fuentes de datos
- Informes
- Instalación y arquitectura
- Carga de datos
- Informes
- Transformación y modelo de datos
- Análisis de datos
- Business Intelligence en Excel
- Consulta de datos
- Orden de los datos, horizontal, un nivel, varios niveles
- Filtrado de datos
- Cuadros resumen
- Herramientas de simulación y de análisis
- Herramientas Powerbi
- CartoDB
- Introducción a Gplot
- El paquete ggplot2
- Cambiar títulos de eje
- Aumentar el espacio entre ejes y títulos de ejes
- Cambiar la estética de los títulos de Axis
- Cambiar la estética del texto del eje
- Texto del eje de rotación
- Eliminar texto de eje y marcas
- Eliminar títulos de eje
- Límite del rango del eje
- Forzar el trazado para que comience en el origen
- Ejes con la misma escala
- Usar una función para modificar etiquetas
- Añade un título
- Ajustar la posición de los títulos
- Use una fuente no tradicional en su título
- Cambiar espaciado en texto de varias líneas
- Trabajando con leyendas
- Apaga la leyenda
- Eliminar títulos de leyenda
- Cambiar la posición de la leyenda
- Cambiar la dirección de la leyenda
- Cambiar el estilo del título de la leyenda
- Cambiar título de leyenda
- Cambiar el orden de las claves de leyenda
- Cambiar etiquetas de leyenda
- Cambiar cuadros de fondo en la leyenda
- Cambiar el tamaño de los símbolos de leyenda
- Dejar una capa fuera de la leyenda
- Adición manual de elementos de leyenda
- Usar otros estilos de leyenda
- Cambiar el color de fondo del panel
- Cambiar líneas de cuadrícula
- Cambiar el espaciado de las líneas de cuadrícula
- Cambiar el color de fondo de la trama
- Trabajar con márgenes
- Trabajar con gráficos de paneles múltiples
- Crear múltiplos pequeños basados en una variable
- Permitir que los ejes deambulen libremente
- Uso facet_wrapcon dos variables
- Modificar el estilo de los textos de la tira
- Crear un panel de diferentes parcelas
- Trabajar con colores
- Especificar colores individuales
- Asignar colores a las variables
- Variables Cualitativas
- Seleccionar manualmente colores cualitativos
- Utilice paletas de colores cualitativas integradas
- Use paletas de colores cualitativos de paquetes de extensión
- Variables Cuantitativas
- La paleta de colores Viridis
- Usar paletas de colores cuantitativas de paquetes de extensión
- Modificar paletas de colores después
- Cambiar el estilo de trazado general
- Cambiar la fuente de todos los elementos de texto
- Cambiar el tamaño de todos los elementos de texto
- Cambiar el tamaño de todos los elementos de línea y rectángulo
- Crea tu propio tema
- Actualizar el tema actual
- Agregar líneas horizontales o verticales a un gráfico
- Agregar una línea dentro de un gráfico
- Agregar líneas curvas y flechas a un gráfico
- Agregue etiquetas
- Agregar anotaciones de texto
- Use Markdown y HTML Rendering para anotaciones
- Voltear una parcela
- arreglar un eje
- Invertir un eje
- Transformar un eje
- Circularizar una parcela
- Alternativas a un diagrama de caja
- Crear una representación de alfombra en un gráfico
- Crear una matriz de correlación
- Crear un gráfico de contorno
- Crear un mapa de calor
- Crear un diagrama de cresta
- Trabajar con cintas (AUC, CI, etc.)
- Predeterminado: agregar un suavizado LOESS o GAM
- Trabajar con gráficos interactivos
- ¿Qué es la analítica web?
- Establecimiento de objetivos y KPIs
- Métricas principales y avanzadas
- Objetivos y ventajas de medir
- Plan de medición
- Introducción a Google Analytics 4
- Interfaz
- Métricas y dimensiones
- Informes básicos
- Filtros
- Segmentos
- Eventos
- Informes personalizados
- Comportamiento de los usuarios e interpretación de datos
- Introducción a GTM
- Implementación con GTM
- Medición con GTM
- Uso de Debug/Preview Mode
- La atribución
- Multicanalidad
- Customer Journey
- Principales modelos de atribución
- Modelos de atribución personalizados
- Planificación del Dashboard
- Características del Dashboard
- Introducción a Data Studio
- Conectores
- Tipos de gráficos
- Personalización de informes
- Elementos de control
- Dimensiones y métricas
- Campos Calculados
- Compartir informes
- Introducción al SEO
- Historia de los motores de búsqueda
- Componentes de un motor de búsqueda
- Organización de resultados en un motor de búsqueda
- La importancia del contenido
- El concepto de autoridad en Internet
- Campaña SEO
- Introducción al SEM
- Principales conceptos en SEM
- Sistema de pujas y Calidad del anuncio
- Primer contacto con Google Ads
- Creación de anuncios con calidad
- Indicadores clave de rendimiento en SEM
- Análisis del tráfico en redes sociales
- Fijar objetivos en redes sociales
- Youtube
- Tik tok
- Usabilidad
- Mapas de calor
- Grabaciones de sesiones de usuario
- Ordenación de tarjetas
- Test A/B
- Test multivariante
- KPI, indicadores clave de rendimiento
- Cambios a realizar para optimizar una página web
- Hotjar
- Microsoft Power BI
- Google Search Console
- Matomo
- Awstats
- Chartbeat
- Adobe Analytics
- ¿Qué son las cookies?
- Tipos de cookies
- GDPR
- Herramientas para manejar el consentimiento de cookies
Titulación
Doble Titulación: – Título Oficial de Master Oficial Universitario en Data Science expedida por la Universidad e-Campus acreditado con 60 ECTS Universitarios. Su superación dará derecho a la obtención del correspondiente Título Oficial de Máster, el cual puede habilitar para la realización de la Tesis Doctoral y obtención del título de Doctor/a. – Titulación de Master en Data Science con 1500 horas expedida por EUROINNOVA INTERNATIONAL ONLINE EDUCATION, miembro de la AEEN (Asociación Española de Escuelas de Negocios) y reconocido con la excelencia académica en educación online por QS World University Rankings
Descubre tus opciones de estudio
Solicita información
