Máxima Formación

Máster en Estadística Aplicada para la Ciencia de Datos con R Software

Máxima Formación
  • Imparte:
  • Modalidad:
    Online
  • Precio:
    2.900 €
  • Comienzo:
    Consultar rellenando el formulario
  • Lugar:
    Se imparte Online
  • Duración:
    66 ECTS

Presentación

Afronta con seguridad, confianza y rigor científico cualquier reto estadístico y desarrolla competencias prácticas avanzadas para solucionar los problemas reales que surgen con el análisis, la manipulación y la representación gráfica de los datos en tu actividad profesional.

El Máster en Estadística Aplicada para la Ciencia de Datos con R Software es un programa de especialización único en la actual oferta formativa superior on-line en Ciencia de Datos.

Está diseñado con el enfoque práctico que requieren los profesionales del análisis de datos para transformar el conocimiento en competencias técnicas avanzadas y aplicables a su realidad profesional.

Testimonios

Francisco Félix Zarzuela (España)
Técnico ambiental y bioestadístico.
Freelance
Honestamente, excelente. Me ha encantado el Máster y sobre todo la atención del profesorado. El material es muy completo, los ejemplos y los ejercicios de evaluación te hacen adquirir un conocimiento práctico muy útil.

Liliana Alonso (España)
Global Actuarial Trainee Program.
Mapfre
Adquieres de forma rápida y sencilla conocimientos estadísticos y su aplicación en el entorno R de software. La mayor aportación para mi desarrollo profesional es la profundización en modelos avanzados: lineal, lineal generalizado, aditivo, aditivo generalizado y mixto.

José Luis Loren
Digital Insights Manager.
Zooplus
Mi experiencia con el Máster ha sido en general muy buena. Sobre todo, me ha gustado la posibilidad de aplicar en mi trabajo desde el primer momento la mayoría del temario.

Desireé Valera Gran
Doctora en Medicina.
Universidad Miguel Hernández.
Este Máster es una gran oportunidad para reforzar conocimientos y aprender técnicas estadísticas específicas, da una visión amplia de técnicas específicas avanzadas que suelen ser necesarias para el ámbito de la investigación. Del equipo docente destaco su atención y el seguimiento constante de la evolución del aprendizaje.

Dirigido

Profesionales del análisis de datos interesados en afrontar cualquier reto estadístico con seguridad, rigor y precisión con independencia del tipo, el volumen de datos y la complejidad del proyecto.

Programa

MÓDULO I.

UNIDAD 1. INTRODUCCIÓN A LA ESTADÍSTICA APLICADA CON R
UNIDAD 2. OBTENCIÓN, LIMPIEZA Y EXPLORACIÓN DE DATOS
UNIDAD 3. CORRELACIÓN Y REGRESIÓN LINEAL

MÓDULO II.

UNIDAD 4. INFERENCIA ESTADÍSTICA
UNIDAD 5. DISEÑO EXPERIMENTAL

Qué aprenderás en los Módulos I y II:

Conocer la caja de herramientas del científico de datos: el lenguaje de R Software y sus herramientas de gestión y manipulación de datos RStudio y RMarkdown.

Manejar datos complejos: muestras de pequeño tamaño, presencia de datos atípicos (outliers), el incumplimiento de los supuestos de la estadística clásica (independencia, normalidad, linealidad y homogeneidad de varianza).

Aplicar técnicas de estadística descriptiva clásica y robusta, para obtener resultados fiables ante la presencia de outliers.

Generar gráficos potentes y eficaces para resumir los principales patrones de datos. •
Identificar relaciones espurias o de confusión entre variables.

Modelar y predecir la relación entre variables mediante modelo de regresión lineal. •

Seleccionar predictores y evaluar su importancia relativa.

Seleccionar y aplicar pruebas de hipótesis (paramétricas, no paramétricas y robustas) para evaluar las preguntas de tus investigaciones.

Elegir la técnica más adecuada para sacar el máximo partido a tus datos en cada caso. •

Informar de tus resultados con el mayor rigor estadístico.

Detectar el alcance de tus resultados en función del tamaño del efecto y calcular de forma efectiva el tamaño de la muestra que necesitas.

Comprender la potencia estadística de tus análisis para obtener resultados certeros.

Diseñar modelos experimentales óptimos para responder a tus preguntas de investigación (diseño completamente aleatorizado, diseño con bloques aleatorizados, diseño factorial, etc.).

Aumentar la capacidad de detectar cambios significativos.

MÓDULO III.

UNIDAD 6. MODELOS DE REGRESIÓN AVANZADOS
UNIDAD 7. ANÁLISIS DE AGRUPACIÓN CLÚSTER
UNIDAD 8. DISCRIMINACIÓN Y COMPARACIÓN MULTIVARIANTE
UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN

Qué aprenderás en el Módulo III:


Aplicar técnicas avanzadas de modelado para predecir comportamientos: modelos aditivos generalizados (GAM), modelos lineales generalizados (GLM, de Poisson, binomiales negativos y logísticos), modelos mixtos (MM), y sus combinaciones.

Dominar los modelos mixtos para modelar varianzas no constantes, efectos aleatorios y datos correlacionados o anidados.

Utilizar herramientas de Data Mining y Machine Learning. • Manejar conjuntos de datos con muchas variables (multivariantes o multidimensionales), visualizar patrones ocultos y descubrir relaciones potencialmente predictivas. • Evitar los problemas derivados de aproximaciones univariantes.

Utilizar información sobre la relación entre las variables para reflejar adecuadamente la complejidad de los datos, comprender su estructura y características claves. • Solucionar los problemas derivados de los análisis univariantes, identificar las variables que más contribuyen a la variación de los datos, aislar o combinar variables, resumir la redundancia, y visualizarlas en su conjunto.

Clasificar, ordenar, discriminar y comparar datos multivariantes.

Dominar las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensión.

Dominar los métodos de agrupación automática no supervisada: análisis clúster.

Dominar los métodos de clasificación supervisada: análisis de discriminación lineal (LDA).

Evaluar si existen diferencias significativas entre grupos para un conjunto de variables respuesta (MANOVA, ANOSIM, ADONIS, MRPP, MANTEL).

Aplicar técnicas de ordenación y reducción de la dimensión de los datos: análisis de componentes principales (PCA), análisis de correspondencia (CA) y escalamiento multidimensional (MDS/NMDS).

Trabajo de Fin de Máster (TFM)
Una vez aprobado el temario del Máster deberás realizar un TFM en el que aplicarás en la práctica las técnicas abordadas en el Máster.

El TFM es una oportunidad excelente para demostrar que cuentas con habilidades avanzadas en adquisición, preparación, visualización, programación, modelado, evaluación e interpretación de datos para afrontar proyectos de Estadística Aplicada y Ciencia de Datos.

Competencias

Con este Máster adquirirás un conocimiento profundo de la Ciencia de Datos actual aplicada a la investigación y a la práctica profesional, y estarás capacitado para:

Diseñar modelos de análisis.
Comprender y modelar los datos.
Seleccionar la técnica estadística más adecuada para tus análisis (clásicas, robustas, avanzadas y multivariantes).
Resolver problemas estadísticos avanzados.
Transformar los datos en conocimiento.
Tomar decisiones basadas en datos con rigor científico.
Representar gráficamente tus resultados en alta calidad.
Garantizar la reproducibilidad de tus análisis.
Aplicar técnicas de Data Mining y Machine Learning.
Dominar el lenguaje de R Software.

¡Infórmate ahora sin compromiso!

Publicidad

Cursos Relacionados

Ver otros masters de...