-
Imparte:
-
Modalidad:Presencial en Madrid
-
Precio:7.200 €
Infórmate sobre nuestro programa de becas -
Comienzo:Noviembre 2024
-
Lugar:c/ Bernardino Obregón, 25
Madrid 28012
España -
Duración:60 ECTS
-
Titulación:Máster en Ingeniería de Datos y Big Data por ESESA Máster en Ingeniería de Datos y Big Data por UCAV
Presentación
La cantidad de datos e información que gestiona una entidad es asombrosa y con las tecnologías actuales y desarrollo del conocimiento en esta área hace que sea el momento perfecto para la formación en este ámbito profesional que está experimentando una de las tasas de paro más bajas del entorno laboral a nivel global y con perspectivas de crecimiento alcistas.
El Máster en Big Data y Business Analytics ofrece una formación especializada de alto nivel, que le permitirá hacer frente a situaciones reales de empresas en el área de la gestión y obtención de datos, orientado totalmente al negocio.
Conocerá de la mano de profesional en activo, los cocimientos y herramientas para la toma de decisiones en base a la analítica de datos, así como los aspectos técnicos para la implantación de modelos predictivos en cualquier tipología de entidad y en todos y cada uno de los departamentos funcionales de una empresa.
Requisitos
Titulación o Experiencia profesional equivalente
Dirigido
El programa va dirigido a recién titulados de las ramas de informática, ingenieros de diversas especialidades y para alumnos procedentes de diferentes formaciones universitarias que tengan conocimientos previos de la materia
Objetivos
El objetivo principal del Máster es que los alumnos aprendan del conocimiento y experiencia práctica de profesionales que combinan un background técnico sólido y la aplicabilidad de las tecnologías, mediante el uso de la tecnología, utilizando las herramientas software que se aplican en entornos profesionales para obtener una formación en el área de Business Analytics y Big Data de manera flexible que les permita insertarse en el mercado profesional en esta área. Podemos destacar los siguientes:
1.Adquirir conceptos de análisis estadístico y predictivo.
2.Aprender los fundamentos de la programación en R para el tratamiento de datos.
3.Aprender las técnicas del aprendizaje automático y los modelos. existentes Crear las bases de la programación en Python y su aplicación en el tratamiento de datos.
4.Conocer los fundamentos del aprendizaje profundo, modelos conexionistas y redes neuronales.
5.Conocer y aplicar las técnicas de minería de texto y procesamiento del lenguaje natura.
6.Conocer la inteligencia de negocio usando las herramientas necesarias para el almacenamiento, extracción, carga de datos y visualización.
7.Adquirir los conocimientos necesarios para trabajar con bases de datos no convencionales.
8.Conocer y aplicar la infraestructura de big data, a través de máquinas virtuales, Hadoop, Spark, etc.
9.Estar actualizado en la seguridad y legislación de los datos, además de las técnicas de seguridad.
Programa
MÓDULO 01. Modelos y aprendizaje estadísticos.
Lenguaje R y tratamiento de datos.
Análisis exploratorio de datos.
Probabilidad e Inferencia estadística.
Modelos lineales y aprendizaje estadístico.
Regresión logística, modelos restringidos de ridge y lasso y gradiente descendiente.
GLMS y series temporales.
MÓDULO 02. Aprendizaje automático aplicado.
Introducción al aprendizaje automático.
Modelos supervisados.
Modelos no supervisados.
Fundamentos de programación con Python.
Compartir datos, código y recursos en repositorios.
Fundamentos de tratamiento de datos con el stack científico de Python.
Ingeniería de características y selección de mode.
Reglas de asociación y market basket analysis.
MÓDULO 03. Aprendizaje profundo.
Introducción al aprendizaje profundo.
Modelos conexionistas.
Redes neuronales multicapa.
Redes neuronales convolucionales.
Redes neuronales recurrentes.
Redes neuronales adversarias.
MÓDULO 04. Minería de texto y procesamiento del lenguaje natural (PLN).
Introducción histórica y tecnológica.
Herramientas PNL I: NLTK.
Herramientas de PLN II: Brat y Gate.
Text mining I: clustering.
Text mining II: sentimiento y temas.
Otras aplicaciones y técnicas de PLN.
MÓDULO 05. Business Inteligence y visualización.
Introducción al Business Inteligence.
Fundamentos de bases de datos relacionales.
Almacenes de datos y bases de datos analíticas.
Metología Kimball.
Herramientas de extracción, transformación y carga.
Aplicaciones de Business Inteligence.
Fundamentos de visualización de datos.
Herramientas de visualización.
MÓDULO 06. Almacenamiento e integración de datos.
Bases de datos no convencionales.
Modelos de base de datos basados en documentos.
Modelos de base de datos basados en columnas.
Modelos de base de datos basados en grafos.
Modelos de base de datos basados en clave-valor.
Adquisición de datos.
MÓDULO 07. Infraestructura de Big Data
Manejo de máquinas virtuales y terminal de comandos.
Fundamentos de tecnologías de Internet.
Procesamiento de datos con Hadoop.
Herramientas Hadoop.
Procesamiento de datos con Spark.
Arquitecturas de streaming.
Componentes de arquitecturas de streaming.
MÓDULO 08. Valor y contexto de la analítica big data
El business case de Big Data.
Proyectos de Big Data.
Aplicaciones analíticas por sectores.
Tecnologías emergentes en analítica.
Gestión de equipos y métodos ágiles.
Estándares de gestión de proyectos.
Buenas prácticas en los procesos de Big Data.
MÓDULO 09. Aplicaciones analíticas y Seguridad de los Datos
Caso de estudio de analítica escalable.
Caso de estudio de analítica en redes sociales.
Caso de estudio en Internet Of Things.
Caso de estudio en analítica financiera (el rating de empresas).
Caso de estudio en analítica de clientes: Location Analytics.
Caso de estudio de técnicas de recuperación de información.
Principios de seguridad de datos.
Legislación en la seguridad de datos.
Auditoría e informática forense.
Fundamentos y técnicas de ciberseguridad.
MÓDULO 10. Desarrollo TFM
¡Infórmate ahora sin compromiso!
