Máster en Data Science y Business Analytics para Profesionales

La explosión de la información asociada a la digitalización ha situado en un primer plano la importancia de los datos haciendo que las empresas demanden, cada vez más, perfiles profesionales dotados de las capacidades necesarias para entender y extraer todo su valor.
Este master en data science, codesarrollado con la multinacional tecnológica Indra, está dirigido a profesionales de diversos campos que deseen adquirir estas competencias desde una perspectiva orientada a perfiles analistas y de gestión. En él se abordan los conceptos, técnicas y herramientas más relevantes en data science, business analytics y big data para analizar y extraer todo el valor de los datos.
Se parte de los fundamentos de la ciencia de datos, aprendiendo lo necesario para ser capaces de procesar, analizar e interpretar todo tipo de fuentes de información, hasta llegar a la analítica avanzada que incluye el uso de técnicas de inteligencia artificial, en especial las que tienen que ver con machine learning y deep learning. Se ven asimismo las tecnologías y herramientas más relevantes del panorama big data actual, siempre desde una perspectiva práctica que permita entender su utilidad y cuáles son las principales aplicaciones que se les están dando actualmente en el mundo empresarial.
Los aspectos más técnicos del programa se complementan con otros orientados a la gestión ya que, sólo entendiendo en profundidad el cambio de paradigma asociado al big data, sus posibilidades y sus retos, es posible liderar los proyectos basados en datos que hoy en día necesitan las empresas. En esta misma línea, el máster acerca al alumno a la realidad empresarial incluyendo clases de expertos en activo que trabajan aplicando estas técnicas en diferentes sectores

• Las herramientas del científico de datos
• Fundamentos de Python
• Librerías para ciencia de datos: Numpy, Pandas, etc.
• Procesamiento de datos y visualización con Python
• Fundamentos de R
• Paquetes de R
• Procesamiento de datos y visualización con R
• Otras herramientas 

• Impacto y valor del big data
• Introducción al mundo big data
• Inteligencia de negocio vs. big data
• Características del big data
• Principales aplicaciones e impacto por sectores
• El valor del dato
• Impacto sobre la organización
• La empresa data-driven
• Nuevos perfiles 

• Estadística para científicos de datos
• Análisis estadístico de datos.
• Análisis multivariante. Regresión
• Inferencia estadística
• Series temporales
• Diseño de experimentos. Tests A/B

• La ciencia de datos. Técnicas de análisis, minería y visualización
• El ciclo de vida del dato
• Extracción, transformación y carga de datos
• Calidad del dato
• Modelos analíticos
• Desarrollo y despliegue de modelos
• Evaluación de modelos. Métricas
• Herramientas y técnicas efectivas de visualización 

• Inteligencia de negocio y visualización
• Introducción a la inteligencia de negocio
• Tutorial SQL
• Diseño de bases de datos
• El almacén de datos (Data Warehouse)
• Herramientas y procesos de extracción, transformación y carga (ETL)
• Diseño de informes y cuadros de mando 

• Tecnología big data y soluciones en la nube
• El ecosistema Hadoop
• Spark. Fundamentos y aplicaciones
• Bases de datos NoSQL. MongoDB, Cassandra, grafos.
• La plataforma de Cloudera
• La plataforma de Databricks
• Soluciones en la nube.
• Amazon AWS
• Microsoft Azure
• Google Cloud Platform 

• Aprendizaje automático
• Herramientas para machine learning
• Tutorial de BigML
• Técnicas y aplicaciones del aprendizaje supervisado: clasificación, regresión, etc.
• Técnicas y aplicaciones del aprendizaje no supervisado: clustering, reducción de dimensiones, etc.
• Soluciones en la nube para machine learning
• Modalidades y técnicas de deep learning. Tensorflow 

• Inteligencia artificial para la empresa
• Introducción a la inteligencia artificial: historia, ramas y aplicaciones prácticas
• Aplicaciones del deep learning
• Técnicas y aplicaciones del procesamiento de lenguaje natural (PLN)
• Técnicas y herramientas para la toma de decisiones
• Otros campos relevantes de la inteligencia artificial: aprendizaje por refuerzo, etc.
• Tendencias en IA

• El Big Data en la empresa
• Peculiaridades de los proyectos basados en datos
• Metodologías ágiles. Scrum
• Aspectos regulatorios (RGPD)
• Aspectos éticos
• Gobierno del dato
• Estudio de casos 

• Aplicaciones por sectores. Masterclasses, estudio de casos y talleres prácticos
• Marketing y CRM
• Banca y finanzas
• Operaciones y logística
• Industria 4.0, internet de las cosas (IoT), smart cities
• Ciencia e ingeniería
• People Analytics
• Otros 

• Curso de Metodologías Ágiles
• Introducción a las metodologías ágiles
• Introducción a Scrum
• Roles y responsabilidades
• Eventos de un proyecto Scrum
• Artefactos de Scrum
• Métricas y estimaciones
• Herramientas Colaborativas 

• Recursos audiovisuales complementarios
• Casos de estudio:
• Analítica financiera
• Analítica de clientes: location analytics
• Analítica escalable
• Analítica en redes sociales
• Pasos necesarios para realizar un EDA (Análisis de Datos Exploratorio)
• Introducción a Pandas
• Presentación de la unidad Gestión de equipos y métodos ágiles
• Introducción a las metodologías ágiles
• Inteligencia artificial y nuevo orden mundial
• El gobierno del dato

• Profesionales de diferentes sectores que deseen introducirse en el mundo del big data, la ciencia de datos y la analítica avanzada con el objetivo de reorientar su carrera o mejorar en su profesión.
• Ingenieros o titulados universitarios en estadística, matemáticas u otras ciencias cuantitativas que quieran ampliar sus competencias con técnicas propias de la ciencia de datos y el aprendizaje automático para desarrollar una carrera como analistas o científicos de datos.
• Perfiles orientados a negocio como emprendedores, gerentes, economistas o expertos en administración de empresas que deseen dominar los principios de la inteligencia de negocio y la analítica avanzada con objeto de aplicarlos a diferentes áreas de negocio o dirigir proyectos encaminados a obtener valor de los datos.

Requisitos de ingreso: 

• Titulación Universitaria o Experiencia profesional acreditada ???????

Requisitos del ordenador del alumno:

• Procesador: Mínimo i5 6000 (o superior), recomendable i7
• RAM: Mínimo 8 GB, recomendable 12 GB (o superior)
• Almacenamiento: Mínimo 1 TB entre unidades internas y externas.
  • Disco HDD: Mínimo 500 GB (o superior)
  • Disco SDD para el software base: No es imprescindible; sin embargo, mejora enormemente el rendimiento al tener el sistema operativo y el software base instalado sobre el mismo.
• Es necesario comprobar que se pueden utilizar cómodamente máquinas virtuales VirtualBox.