Descripción
-
Tipología
Master oficial
-
Metodología
Online
-
Horas lectivas
1500h
-
Duración
12 Meses
-
Inicio
Fechas disponibles
Descripción
La creciente cantidad de datos y el desarrollo del Internet de las Cosas hacen que estén cada vez más presentes los conceptos de Data Science y el análisis de datos en los entornos empresariales, donde el científico de datos tiene un papel muy relevante en la explotación de éstos. Con el Master Oficial Universitario en Data Science podrás ponerte a la vanguardia en el uso de las nuevas tecnologías y algoritmos de análisis que le permitirán desarrollar las habilidades necesarias para extraer y evaluar datos de forma eficaz, permitiéndote tomar decisiones estratégicas y optimizar costes.
Información importante
Precio a usuarios Emagister:
Sedes y fechas disponibles
Online
comienzo
Fechas disponibles
Inscripciones abiertas
Opiniones
¿Tomaste este curso? Comparte tu opinión
Materias
- Big Data
- Algoritmos
- Inteligencia artificial
- Análisis de datos
- E-business
Temario
MÓDULO 1. AGILE PROJECT MANAGEMENT
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS METODOLOGÍAS ÁGILES
Ingeniería de software, sus principios y objetivos
Metodologías en Espiral, Iterativa y Ágiles
Prácticas ágiles
Métodos ágiles
Evolución de las metodologías ágiles
Metodologías ágiles frente a metodologías pesadas
UNIDAD DIDÁCTICA 2. AGILE PROJECT THINKING
Principios de las metodologías ágiles
Agile Manifesto
User History
UNIDAD DIDÁCTICA 3. LA PLANIFICACIÓN ÁGIL: AGILE LEADERSHIP Y CREATIVIDAD
La interacción como alternativa a la planificación lineal
La comunicación y la motivación
Características del liderazgo participativo
Pensamiento disruptivo y desarrollo de la idea
Prueba y error, learning by doing
UNIDAD DIDÁCTICA 4. METODOLOGÍA EXTREME PROGRAMMING (XP)
Definición y características de Extreme Programming
Fases y reglas de XP
La implementación y el diseño
Los valores de XP
Equipo y cliente de XP
UNIDAD DIDÁCTICA 5. METODOLOGÍA SCRUM
La teoría Scrum: framework
El equipo
Sprint Planning
Cómo poner en marcha un Scrum
UNIDAD DIDÁCTICA 6. DESARROLLO DEL MÉTODO KANBAN
Introducción al método Kanban
Consejos para poner en marcha kanban
Equipo
Business Model Canvas o lienzo del modelo de negocio
Scrumban
UNIDAD DIDÁCTICA 7. LEAN THINKING
Introducción al Lean Thinking
Lean Startup
UNIDAD DIDÁCTICA 8. OTRAS METODOLOGÍAS ÁGILES Y TÉCNICAS ÁGILES
Agile Inception Deck
Design Thinking
DevOps
Dynamic Systems Development Method (DSDM)
Crystal Methodologies
Adaptative Software Development (ASD)
Feature Driven Development (FDD)
Agile Unified Process
MÓDULO 2. BIG DATA INTRODUCTION
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
¿Qué es Big Data?
La era de las grandes cantidades de información. Historia del big data
La importancia de almacenar y extraer información
Big Data enfocado a los negocios
Open Data
Información pública
IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
Definición y relevancia de la selección de las fuentes de datos
Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
Definición, Beneficios y Características
Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
Diagnóstico inicial
Diseño del proyecto
Proceso de implementación
Monitorización y control del proyecto
Responsable y recursos disponibles
Calendarización
Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
Definiendo el concepto de Business Intelligence y sociedad de la información
Arquitectura de una solución de Business Intelligence
Business Intelligence en los departamentos de la empresa
Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
Sistemas operacionales y Procesos ETL en un sistema de BI
Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
Cuadros de Mando Integrales (CMI)
Sistemas de Soporte a la Decisión (DSS)
Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING
Apoyo del Big Data en el proceso de toma de decisiones
Toma de decisiones operativas
Marketing estratégico y Big Data
Nuevas tendencias en management
UNIDAD DIDÁCTICA 8.DEL BIG DATA AL LINKED OPEN DATA
Concepto de web semántica
Linked Data Vs Big Data
Lenguaje de consulta SPARQL
UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras
MÓDULO 3. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS
UNIDAD DIDÁCTICA 1.INTRODUCCIÓN A LA CIENCIA DE DATOS
¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Computing
Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL Una base de datos relacional
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
¿Qué es una base de datos NoSQL?
Bases de datos Relaciones Vs Bases de datos NoSQL
Tipo de Bases de datos NoSQL Teorema de CAP
Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
¿Qué es MongoDB?
Funcionamiento y uso de MongoDB
Primeros pasos con MongoDB: Instalación y shell de comandos
Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
Actualización de datos en MongoDB: Sentencias set y update
Trabajando con índices en MongoDB para optimización de datos
Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
UNIDAD DIDÁCTICA 6. PENTAHO
Una aproximación a PENTAHO
Soluciones que ofrece PENTAHO
MongoDB & PENTAHO
Hadoop & PENTAHO
Weka & PENTAHO
UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
MÓDULO 4. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
Introducción a la inteligencia artificial
Historia
La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
Tipos de inteligencia artificial
SUBEPÍGRAFE - Tipo 1: basado en capacidades
SUBEPÍGRAFE - Tipo 2: basado en la funcionalidad
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
Algoritmos aplicados a la inteligencia artificial
SUBEPÍGRAFE - Aprendizaje supervisado
SUBEPÍGRAFE - Aprendizaje sin supervisión
SUBEPÍGRAFE - Lógica difusa
SUBEPÍGRAFE - Búsqueda de rutas
SUBEPÍGRAFE - Algoritmos genéticos
SUBEPÍGRAFE - Optimización y mínimos
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
Sistemas expertos
Estructura de un sistema experto
Inferencia: Tipos
Fases de construcción de un sistema
Rendimiento y mejoras
Dominios de aplicación
Creación de un sistema experto en C#
Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
Futuro de la inteligencia artificial
Impacto de la IA en la industria
El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
Introducción
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
Introducción
Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
Clasificadores
Algoritmos
SUBEPÍGRAFE - Máquinas de vectores soporte (Support Vector Machine - SVN)
SUBEPÍGRAFE - Vecion más cercano: K-nearest Neighbour (KNN)
SUBEPÍGRAFE - Árbol de decisión
SUBEPÍGRAFE - Random Forest
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
Componentes
SUBEPÍGRAFE - Perceptrón
SUBEPÍGRAFE - Redes feed-forward
Aprendizaje
SUBEPÍGRAFE - Otras redes
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
Redes neuronales
Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
Tipos de redes profundas
Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa
MÓDULO 5. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
Análisis de datos con NumPy
Pandas
Matplotlib
SUBEPÍGRAFE - La jerarquía de objetos de Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
Cómo usar loc en Pandas
Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
Matplotlib
Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
Regresión lineal
Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
Algortimo de Naive bayes
Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
Máquinas de vectores soporte (Support Vector Machine-SVM)
¿Cómo funciona SVM?
Núcleos SVM
Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
K-nearest Neighbors (KNN)
Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
Algorimto de Random Forest
MÓDULO 6. HERRAMIENTAS DE VISUALIZACIÓN DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
¿Qué es la visualización de datos?
Importancia y herramientas de la visualización de datos
Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 2. TABLEAU
¿Qué es Tableau? Usos y aplicaciones
Tableau Server: Arquitectura y Componentes
Instalación Tableau
Espacio de trabajo y navegación
Conexiones de datos en Tableau
Tipos de filtros en Tableau
Ordenación de datos, grupos, jerarquías y conjuntos
Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)
Fundamentos D3
Instalación D3
Funcionamiento D3
SVG
Tipos de datos en D3
Diagrama de barras con D3
Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 4. GOOGLE DATA
Google Data Studio
Fuentes de datos
Informes
UNIDAD DIDÁCTICA 5. QLIKVIEW
Instalación y arquitectura
Carga de datos
Informes
Transformación y modelo de datos
Análisis de datos
UNIDAD DIDÁCTICA 6. POWERBI
Business Intelligence en Excel
Consulta de datos
Orden de los datos, horizontal, un nivel, varios niveles
Filtrado de datos
Cuadros resumen
Herramientas de simulación y de análisis
Herramientas Powerbi
UNIDAD DIDÁCTICA 7. CARTO
CartoDB
MÓDULO 7. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2
UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
Introducción a Gplot
El paquete ggplot2
UNIDAD DIDÁCTICA 2. EJES
Cambiar títulos de eje
Aumentar el espacio entre ejes y títulos de ejes
Cambiar la estética de los títulos de Axis
Cambiar la estética del texto del eje
Texto del eje de rotación
Eliminar texto de eje y marcas
Eliminar títulos de eje
Límite del rango del eje
Forzar el trazado para que comience en el origen
Ejes con la misma escala
Usar una función para modificar etiquetas
UNIDAD DIDÁCTICA 3. TÍTULOS
Añade un título
Ajustar la posición de los títulos
Use una fuente no tradicional en su título
Cambiar espaciado en texto de varias líneas
UNIDAD DIDÁCTICA 4. LEYENDAS
Trabajando con leyendas
Apaga la leyenda
Eliminar títulos de leyenda
Cambiar la posición de la leyenda
Cambiar la dirección de la leyenda
Cambiar el estilo del título de la leyenda
Cambiar título de leyenda
Cambiar el orden de las claves de leyenda
Cambiar etiquetas de leyenda
Cambiar cuadros de fondo en la leyenda
Cambiar el tamaño de los símbolos de leyenda
Dejar una capa fuera de la leyenda
Adición manual de elementos de leyenda
Usar otros estilos de leyenda
UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
Cambiar el color de fondo del panel
Cambiar líneas de cuadrícula
Cambiar el espaciado de las líneas de cuadrícula
Cambiar el color de fondo de la trama
UNIDAD DIDÁCTICA 6. MÁRGENES
Trabajar con márgenes
UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
Trabajar con gráficos de paneles múltiples
Crear múltiplos pequeños basados en una variable
Permitir que los ejes deambulen libremente
Uso facet_wrapcon dos variables
Modificar el estilo de los textos de la tira
Crear un panel de diferentes parcelas
UNIDAD DIDÁCTICA 8. COLORES
Trabajar con colores
Especificar colores individuales
Asignar colores a las variables
Variables Cualitativas
Seleccionar manualmente colores cualitativos
Utilice paletas de colores cualitativas integradas
Use paletas de colores cualitativos de paquetes de extensión
Variables Cuantitativas
La paleta de colores Viridis
Usar paletas de colores cuantitativas de paquetes de extensión
Modificar paletas de colores después
UNIDAD DIDÁCTICA 9. TEMAS
Cambiar el estilo de trazado general
Cambiar la fuente de todos los elementos de texto
Cambiar el tamaño de todos los elementos de texto
Cambiar el tamaño de todos los elementos de línea y rectángulo
Crea tu propio tema
Actualizar el tema actual
UNIDAD DIDÁCTICA 10. LÍNEAS
Agregar líneas horizontales o verticales a un gráfico
Agregar una línea dentro de un gráfico
Agregar líneas curvas y flechas a un gráfico
UNIDAD DIDÁCTICA 11. TEXTO
Agregue etiquetas
Agregar anotaciones de texto
Use Markdown y HTML Rendering para anotaciones
UNIDAD DIDÁCTICA 12. COORDENADAS
Voltear una parcela
arreglar un eje
Invertir un eje
Transformar un eje
Circularizar una parcela
UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
Alternativas a un diagrama de caja
Crear una representación de alfombra en un gráfico
Crear una matriz de correlación
Crear un gráfico de contorno
Crear un mapa de calor
Crear un diagrama de cresta
UNIDAD DIDÁCTICA 14. CINTAS
Trabajar con cintas (AUC, CI, etc.)
UNIDAD DIDÁCTICA 15. SUAVIZADOS
Predeterminado: agregar un suavizado LOESS o GAM
UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
Trabajar con gráficos interactivos
MÓDULO 8. ANALÍTICA WEB
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB
¿Qué es la analítica web?
Establecimiento de objetivos y KPIs
Métricas principales y avanzadas
Objetivos y ventajas de medir
Plan de medición
UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4
Introducción a Google Analytics 4
Interfaz
Métricas y dimensiones
Informes básicos
Filtros
Segmentos
Eventos
Informes personalizados
Comportamiento de los usuarios e interpretación de datos
UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER
Introducción a GTM
Implementación con GTM
Medición con GTM
Uso de Debug/Preview Mode
UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN
La atribución
Multicanalidad
Customer Journey
Principales modelos de atribución
Modelos de atribución personalizados
UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO
Planificación del Dashboard
Características del Dashboard
Introducción a Data Studio
Conectores
Tipos de gráficos
Personalización de informes
Elementos de control
Dimensiones y métricas
Campos Calculados
Compartir informes
UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO
Introducción al SEO
Historia de los motores de búsqueda
Componentes de un motor de búsqueda
Organización de resultados en un motor de búsqueda
La importancia del contenido
El concepto de autoridad en Internet
Campaña SEO
UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM
Introducción al SEM
Principales conceptos en SEM
Sistema de pujas y Calidad del anuncio
Primer contacto con Google Ads
Creación de anuncios con calidad
Indicadores clave de rendimiento en SEM
UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES
Análisis del tráfico en redes sociales
Fijar objetivos en redes sociales
Facebook
Twitter
Youtube
LinkedIn
Tik tok
Instagram
UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS
Usabilidad
Mapas de calor
Grabaciones de sesiones de usuario
Ordenación de tarjetas
Test A/B
Test multivariante
KPI, indicadores clave de rendimiento
Cambios a realizar para optimizar una página web
UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB
Hotjar
Microsoft Power BI
Google Search Console
Matomo
Awstats
Chartbeat
Adobe Analytics
UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO
¿Qué son las cookies?
Tipos de cookies
GDPR
Herramientas para manejar el consentimiento de cookies
MÓDULO 9. PROYECTO FIN DE MÁSTER