La respuesta a muchas de las preguntas de negocio está en datos, y cómo interpretarlos y ser capaz de tomar decisiones en base a ellos es lo que demanda el mercado. Con este programa podrás adquirir estos conocimientos sin necesidad de un background técnico. El Máster en Data Science responde a las necesidades formativas de aquellos profesionales que sin tener un background técnico quieran introducirse en el mundo del Data Science & Big Data.
Durante el mismo, se conocerán las tecnologías y herramientas necesarias para la gestión de un proyecto de Data Science & Big Data, las distintas aplicaciones en el mundo empresarial con talleres prácticos y las nuevas tendencias dentro del sector.
Perfiles con carrera universitaria en campos no relacionados con STEM o profesionales con al menos 3 años de experiencia en el entorno empresarial. Este programa no requiere de conocimientos informáticos ni se necesitan lenguajes de programación, dado que está centrado en la aplicación de los datos al negocio y a la toma de decisiones, una vez superadas las fases de recopilación, tratamiento y almacenamiento de datos.
Conocer las tecnologías actuales y las nuevas tendencias de los proyectos de Data Science y Big Data para ser capaz de gestionar un proyecto de este tipo.
Iniciarse en las nuevas tendencias dentro del sector.
Comprender las aplicaciones de este tipo de proyectos de manera sectorial con estudio de casos y talleres prácticos.
LAS HERRAMIENTAS DEL CIENTÍFICO DE DATOS
1. Fundamentos de Python
2. Librerías para ciencia de datos: Numpy, Pandas, etc.
3. Procesamiento de datos y visualización con Python
4. Fundamentos de R
5. Paquetes de R
6. Procesamiento de datos y visualización con R
LA CIENCIA DE DATOS. TÉCNICAS DE ANÁLISIS, MINERÍA Y VISUALIZACIÓN
1. El ciclo de vida del dato
2. Calidad del dato
3. Preparación y preproceso de datos
4. Modelos analíticos
5. Herramientas y técnicas de visualización
ESTADÍSTICA PARA CIENTÍFICOS DE DATOS
1. Lenguaje y tratamiento de datos
2. Análisis exploratorio de datos
3. Probabilidad e inferencia estadística
4. Modelos lineales y aprendizaje estadístico
5. Regresión logística, modelos restringidos de Ridge y Lasso y gradiente
APRENDIZAJE AUTOMÁTICO
1. Herramientas para machine learning
2. Técnicas y aplicaciones del aprendizaje supervisado
3. Técnicas y aplicaciones del aprendizaje no supervisado
4. Modalidades y técnicas de deep learning
5. Soluciones en la nube para machine learning
INTELIGENCIA ARTIFICIAL PARA LA EMPRESA
1. Introducción a la inteligencia artificial
2. Técnicas y aplicaciones para la toma de decisiones
3. Aprendizaje por refuerzo y aplicaciones
4. Técnicas y aplicaciones del procesamiento del lenguaje natural (NLP)
5. Sistemas de recomendación y aplicaciones
TECNOLOGÍA Y HERRAMIENTAS BIG DATA
1. Hadoop y su ecosistema
2. Spark. Fundamentos y aplicaciones
3. Bases de datos NoSQL
4. Plataforma Cloud
¡Infórmate ahora sin compromiso!