Presentación

Se estima que cada minuto al día se envían más de 200 millones de e-mails, se comparten más de 700.000 publicaciones en Facebook, se realizan 2 millones de búsquedas en Google o se editan 100 horas de vídeo en YouTube.

En resumen, en un día se generan más datos de los que han existido en los últimos 20 años.

No hay duda que el Big Data Engineer es una de las profesiones del futuro, con un aumento del 122 % en la publicación de ofertas de empleo relacionadas directamente con el Big Data.

Es por ello que el Máster en Big Data Engineer tiene un enfoque totalmente práctico para dar respuesta a la necesidad de las empresas de incorporar profesionales especializados.

Dirigido

Ingenieros de software recién titulados con ganes de adentrarse al mundo del Big Data
Científicos e Ingenieros de otras disciplines con experiencia sólida en programación
Ingenieros de software que deseen reorientar o potenciar su carrera profesional
Programadores con años de experiencia en el sector de las tecnologías de la información
Administradores de sistemas con interés en Big Data
Analistas de datos
Técnicos en infraestructuras
Directores y responsables de servicios TI

Objetivos

Entender el concepto de escalabilidad horizontal y su relación con los sistemas distribuidos.
Diferenciar entre las diferentes tipologías y usos de los sistemas distribuidos.
Diseñar arquitecturas en base de sistemas distribuidos para cubrir tareas de procesamiento, transporte y almacenamiento de datos.
Familiarizarse con los diferentes tipos de herramientas para el tratado masivo de datos.
Tener la capacidad de elegir la herramienta más adecuada en cada caso.
Tener conocimientos prácticos para poder solucionar problemas reales utilizando plataformas como Hadoop, Spark o Kafka.
Adquirir capacidades de diseño y gestión de sistemas distribuidos.
Aplicar las capacidades de administración de sistemas para montar sistemas de alta escalabilidad.
Identificar fuentes de información y definir procesos de obtención y actualización de datos.
Aplicar los principales estimadores univariables: recuento, media, mediana y desviación estándar.
Trabajar con los principales métodos de análisis bivariables: tablas de contingencia, correlación y regresión.

Programa

1. Introducción a los sistemas distribuidos
1.1. Introducción a los sistemas distribuidos
1.2. Teorema de CAP
1.3. Principios básicos de sistemas de distribución
1.4. Tipologías de sistemas distribuidos (y ejemplos)
1.5. Arquitecturas de alta escalabilidad

2. Herramientas Big Data
2.1. Almacenamiento de grandes volúmenes de datos: Sistemas de ficheros distribuidos y NoSQL
2.2. Ingestión y transmisión de datos: sistemas de colas y Kafka
2.3. Procesamiento escalable: Hadoop MapReduce y Spark
2.4. Herramientas de explotación de datos

3. Gestión de infraestructuras Big Data
3.1. Introducción a la gestión de clústeres
3.2. Tipos de infraestructuras
3.3. Gestión de recursos
3.4. Devops y el paradigma IaC
3.5. Herramientas para la gestión de clúster

4. El proceso de análisis de datos
4.1. El método analítico: descriptivo, predictivo y prescriptivo
4.2. Fuentes de información disponibles
4.3. Obtención, almacenaje y análisis de la información disponible
4.4. Preproceso de información para el análisis
4.5. Definición del proceso de muestreo

5. Fundamentos de estadística
5.1. Principios básicos de probabilidad
5.2. Estimadores univariables: recuento, media, mediana y desviación estándar
5.3. Estimadores bivariables: tablas de contingencia, correlación y regresión
5.4. Estimadores multivariables: segmentación, relación, reducción y previsión

6. Analítica avanzada
6.1. Analítica avanzada: computación sobre grafos
6.2. Analítica avanzada: computación sobre texto
6.3. Analítica avanzada: computación de series temporales
6.4. Introducción al machine learning
6.5. Métodos de aprendizaje automático supervisado
6.6. Métodos de aprendizaje automático no supervisado
6.7. Redes neuronales y deep learning
6.8. Implementación de modelos predictivos

7. Data Driven Approach
7.1. Introducción al data driven
7.2. La cultura como base de la toma de decisiones
7.3. El dato
7.4. La mesa ejecutiva orientada a los datos

8. Data Project Management
8.1. Gestión de los sistemas de información
8.2. Gestión de proyectos Big Data
8.3. Gobernanza de los datos
8.4. La metodología agile
8.5. Ética y leyes

9. Extracción de Insights
9.1. Introducción al business intelligence
9.2. Implementación de una estrategia business analytics en la organización
9.3. Traducción de necesidades de información en indicadores (KPIs)
9.4. Representación gráfica de información

10. Proyecto Final

¡Infórmate ahora sin compromiso!

Publicidad

Cursos Relacionados

Ver otros masters de...