Máster de Formación Permanente en Big Data y Business Analytics
Español
Créditos 60 ECTS
PRESENTACIÓN
Según las consultoras más importantes en el sector tecnológico, para los próximos años la demanda de perfiles del campo de la Inteligencia de Negocio habrá crecido de una manera tan exponencial que será imposible hacerle frente. Escuchamos la expresión Big Data por todos lados, pero ¿sabemos a qué se refiere? A día de hoy la gente emplea la palabra Big Data para referirse a “tengo un montón de datos y necesito guardarlos para que después me aporte valor en mi empresa”.
Objetivos
- Aprender a diferenciar los conceptos de Big Data, Business Intelligence y todo el ámbito de Analytics en un mundo donde a todo se le llama “Big Data”.
- Adquirir una visión global del Big Data & Analytics.
- Identificar estrategias y oportunidades de negocio
- Comprender mejor la tecnología necesaria
- Conocer el perfil de los profesionales adecuados
- Adquirir la capacidad de interlocución del Big Data & Analytics
- Tener una visión generalizada de las herramientas de las que disponemos en el mercado Entender y desarrollar la complejidad técnica y científica
- Gestión técnica de proyectos y de equipos de trabajo de BI/Big Data
- Gestionar de manera correcta los temas legales relacionados con el uso de los datos
Metodología
En Educa PHAROS trabajamos con una metodología eminentemente práctica, orientada a la aplicación directa de los conocimientos en el entorno profesional del alumno, combinando contenidos teóricos con casos reales, herramientas digitales y el acompañamiento de un equipo docente especializado.
Programa
- Data information
- Knowledge wisdom
- Data Management (I)
- Data Management (II)
- Corporate perfomance management
- Bases de Datos
- Business intelligence
- Datawarehousing
- Big data
- Hadoop Spark
- Ecosistema Hadoop (I)
- Ecosistema Hadoop (II)
- Ecosistema Hadoop (III)
- Ecosistema Spark
- Instalación y configuración de arquitecturas Big Data
- Analytics
- Principales algoritmos (I)
- Principales algoritmos (II)
- Machine Learning y Deep Learning
- Internet Of Things
- Introducción a Power BI
- Diferentes tipos de Power BI: ¿es realmente gratis?
- Sumerjámonos en ello: primer informe simple
- Power Query: fuente de datos
- Transformación de datos
- Modelado de datos
- Comenzando con DAX (I)
- Comenzando con DAX (II)
- Dominando DAX (I)
- Dominando DAX (II)
- Tabla y matriz
- Tendencias
- Cómo filtrar tus datos adecuadamente
- Marcadores
- Obtención de detalles
- Entendiendo Power BI Service
- Compartiendo contenido en Power BI Service
- Comparando Power BI Service y Power Report Service
- Integrando Python y R en Power BI Desktop
- Introduciendo Bravo para Power BI Desktop
- Introducción a SQL
- Manipulación de bases de datos
- Tipos de datos
- Normalización
- Creación de tablas en SQL
- Manipulación de tablas
- Consulta de tablas en SQL
- Combinación de tablas en SQL
- Combinaciones de tablas y vistas
- Otros comandos en SQL
- Funciones para strings y funciones numéricas (I)
- Funciones numéricas (II)
- Funciones de fecha y hora
- Otras funciones
- Bucles, condicionales y triggers en SQL
- Introducción al datawarehousing
- Bases de datos en un datawarehouse. Stage
- Bases de datos en un datawarehouse. ODS (I)
- Datos en un datawarehouse. ODS (II)
- Bases de datos en un datawarehouse. DDS
- Introducción a Python
- Características y aplicaciones
- Instalación de Python
- Configuración de un entorno de desarrollo
- Sintaxis básica de Python
- Variables y tipos de datos
- Operadores y expresiones
- Uso de comentarios
- Introducción al control de flujo
- Estructuras condicionales (if, elif, else)
- Bucles (for y while)
- Control de bucles (break y continue)
- Análisis de datos con NumPy
- Pandas
- Matplotlib
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
- Pivot tables en pandas
- El grupo de pandas
- Python Pandas fusionando marcos de datos
- Matplotlib
- Seaborn
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
- Concepto de Bases de Datos NoSQL
- Ventajas y desventajas de las Bases de Datos NoSQL
- Características principales de las Bases de Datos NoSQL
- Bases de datos Documentales
- Bases de datos de Columnas
- Bases de datos Clave-Valor
- Base de datos en grafos
- Introducción a MongoDB
- Características y arquitectura de MongoDB
- Modelado de datos en MongoDB
- Consultas y operaciones en MongoDB
- Escalabilidad y rendimiento en MongoDB
- Apache Cassandra
- CouchDB
- Redis
- Amazon DynamoDB
- NeoJS
- Diseño de la estructura de datos
- Configuración del entorno de desarrollo
- Instalación y configuración de MongoDB
- Creación y manipulación de colecciones en MongoDB
- Importación y exportación de datos en MongoDB
- Índices y optimización de consultas en MongoDB
- Agregación de datos en MongoDB
- Transacciones en MongoDB
- Replicación y alta disponibilidad en MongoDB
- Copias de seguridad y recuperación en MongoDB
- Aplicaciones web y móviles
- Big Data y análisis de datos
- Internet de las cosas (IoT)
- Sistemas de recomendación
- Social media y redes sociales
- Introducción a la integración de datos
- Integración con lenguajes de programación (Python, Java, etc.)
- Integración con herramientas de Business Intelligence (BI)
- Integración con sistemas de almacenamiento en la nube
- Conceptos de seguridad en Bases de Datos NoSQL
- Autenticación y autorización en MongoDB
- Encriptación de datos en Bases de Datos NoSQL
- Auditoría y control de acceso en Bases de Datos NoSQL
- Introducción
- Alfabetización de los datos
- Trabajar con datos
- Soluciones y técnicas para tratamiento de datos
- Gestión de la calidad de datos
- Trabajar con datos en Excel
- Conjunto de datos (DATASET)
- Data Cleasing con Excel
- Data Wrangling con Excel
- Data Blending en Excel
- Instalación Talend Data Preparation Desktop
- Trabajar con datos en Talend
- Data Cleasing con Talend
- Data Wrangling con Talend
- Data Blending con Talend
- Registro en dataprep by Trifacta
- Trabajar con datos con Dataprep by Trifacta
- Data Cleasing con Trifacta
- Data Wrangling con Dataprep by Trifacta
- Data Blending con Dataprep by Trifacta
- Introducción
- Regresión lineal, múltiple y logística (I)
- Regresión lineal, múltiple y logística (II)
- Máquina de vectores soporte (SVM)
- Árboles de decisión
- KNN (K-Nearest Neighbors)
- Naive bayes
- Evaluación de modelos supervisados
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción a clustering. propósito y métricas
- K-means clustering
- Clústering jerárquico, otras técnicas y ejemplos
- Análisis de componentes principales (PCA)
- Ejercicio de ejemplo PCA
- Redes neuronales artificiales (ANN) (I)
- Redes neuronales artificiales (ANN) (II)
- Redes neuronales artificiales (ANN) (III)
- Ejercicio de ejemplo
- Ejercicio propuesto
- 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
- Introducción
- Algoritmos
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
- Clasificadores
- Algoritmos
- Componentes
- Aprendizaje
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
- Redes neuronales
- Redes profundas y redes poco profundas
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
- Tipos de redes profundas
- 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
- Estado del arte de la inteligencia artificial
- Filosofía de la inteligencia artificial
- Futuro de la inteligencia artificial
- Procesos de desarrollo de proyecto con inteligencia artificial
- Los datos, tu mayor activo
- Aprendizaje automático
- Aprendizaje profundo
- Transformers
- Generación de datos sintéticos
- Hiperparámetros en los modelos de inteligencia artificial
- Regresión lineal
- Regresión no lineal y Support Vector Machine (SVM)
- Árboles de decisión y bosques aleatorios
- Lógica difusa y descenso del gradiente
- Sistemas de recomendación
- Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
- Dataset de entrada y procesado de datos
- TensorHub, TensorFlow y Keras
- Tratamiento de imágenes
- Generación de modelos de inteligencia artificial
Másteres Destacados
Da el siguiente paso en tu carrera
Tu formación ya cuenta. Ahora conviértela en un título universitario.
Educa PHAROS es una solución formativa para empresas que centraliza el aprendizaje, facilita la gestión de usuarios y permite medir el progreso mediante paneles y reportes.
Está dirigido a organizaciones que desean desarrollar habilidades internas, estandarizar la formación por roles y disponer de trazabilidad y métricas de aprendizaje.
Incluye itinerarios por perfiles, gestión de usuarios y permisos, reportes de progreso, certificación, y acceso a masterclass o sesiones en vivo (según plan).
Se apoya en buenas prácticas de seguridad, control de accesos, trazabilidad del aprendizaje y soporte de implementación. Personaliza este texto según tus compromisos (SLA, compliance, etc.).
Educa PHAROS es un modelo formativo de nueva generación que posiciona al capital humano de la empresa a la vanguardia. A través de una plataforma que se adapta a la imagen corporativa de cada empresa y con un total de más de 900 cursos se consigue una formación específica para cada organización. La tarifa plana ilimitada, proporciona a cada empresa el número de cursos que se ajuste a sus necesidades y también la posibilidad de determinar qué empleados podrán tener acceso.