Máster en Data Science y Big Data del centro IEBS

Descripción

Durante el máster aprenderás a usar las técnicas y herramientas para manejar grandes volúmenes de datos, también estarás preparado para usar todos los algoritmos de Machine Learning así como su uso a través de Redes Neuronales para su aplicación en entornos reales.

La metodología de estudio se desarrolla con:

• Clase Invertida: empezamos por el proyecto que tienes que resolver.
• Aprendizaje por proyectos: aprendemos haciendo no escuchando.
• Trabajo en equipo: trabajamos y aprendemos en grupo.
• Aprendizaje formal, informal y social: utilizamos todos los recursos útiles disponibles.

A quién va dirigido

• Ingenieros interesados en actualizar sus conocimientos en Inteligencia Artificial
• Profesionales relacionados en tecnología interesados en adquirir conocimientos en Big Data y Machine Learning.
• Programadores interesados en el mundo de la ciencia de datos.
• Analistas de datos.
• Estadísticos y Matemáticos interesados en desarrollarse en el sector.

Objetivos

• Estudiar y dominar las técnicas procesamiento paralelo en entornos Big Data.
• Aprender a programar sobre Python, R y entornos de almacenamiento para poder operar con datos masivos
• Conocer los fundamentos del Machine Learning y los tipos de algoritmos más usados en el Aprendizaje Supervisado y No Supervisado, así como su aplicación en entornos reales
• Conocer los tipos de redes neuronales y sus usos frecuentes en entornos reales.

Temario

Módulo 1. Introducción a los lenguajes de programación

Fundamentos de Python

Python avanzado

Fundamentos de R

Módulo 2. Matemáticas y estadística en el tratamiento de datos

Matemática analítica

Estadística descriptiva

Estadística inferencial

Módulo 3. Sistemas y servicios de Almacenamiento

Fundamentos de SQL y Querys básicas

SQL Server Integration Services SSIS

SQL Analysis Services SSAS y SQL Server Reporting Services SSRS

Módulo 4. Entornos Datawarehouse

Tipos y arquitectura de un Data Warehouse vs Data Lake

Fundamentos de Azure. Azure Data

Fundamentos de AWS

Módulo 5. Entorno Distribuido para Big Data

Fundamentos y herramientas del ecosistema Hadoop

El modelo MapReduce de procesamiento

Sistema de ficheros distribuidos HDFS

Módulo 6. Arquitecturas distribuidas Big Data

Arquitectura Batch y Streaming. Arquitectura Lambda

Gestión de recursos: YARN

Herramientas del ecosistema Hadoop: Hive

Módulo 7. Procesamiento de datos a gran escala: Spark

Configuración y map reduce en Spark

PySpark: Creación BD, SparkContext, Spark streaming

PYSpark: RDDs: Ejecución en Paralelo, Datos Externos, Partición de Datos, Creación de Ficheros, Reducebykey, sortbykey, countingkeys

Módulo 8. Otras acciones de procesamiento de datos

Text mining: limpieza texto, TF-Idf, wordcloud

Web Scrapping

Visualización de datos

Módulo 9. Fundamentos de IA y Machine Learning

Introducción a la IA y Machine Learning

Algoritmos de regresión y métricas

Ecosistemas de Machine Learning en la nube

Módulo 10. Aprendizaje supervisado I

Clasificación binaria, multiclase y métricas. Curva ROC

Clasificación con Naive Bayes

Clasificación con Support Vector Machine SPV

Módulo 11. Aprendezaje supervisado II

Regresión y clasificación con árboles de decisión

Combinación de clasificadores: Boostrapping, bagging y boosting

Regresión y clasificación on random forests

Módulo 12. Aprendizaje NO Supervisado

Algoritmos de agrupamiento: Kmedias y jerárquico

Técnicas de detección de anomalías

Aprendizaje por refuerzo y control

Módulo 13. Redes neuronales y deep learning

Entrenamiento: Gradient descent, SGD, Backpropagation

Frameworks de Deep Learning: TensorFlow

Unidad activación, met. inicialización, optimizadores, met. regularización

Módulo 14. CNN, GAN y otras redes neuronales

CNN: Layers y arquitecturas (Alexnet, VGG...)

CNN: Entrenamiento con Data augmention y transfer learning

GAN, GNN y RNN: Redes Generativas Antagónicas , Graph Neural Networks y Recurrent Neural Networks

Módulo 15. Sistemas de recomendación

Personalización guiada por IA y datos. Filtrado colaborativo

Recomendaciones basadas en contenido, contexto e híbridas

Aplicaciones, tendencias y retos de los sistemas de recomendación

Módulo 16. Procesamiento del Lenguaje Natural

Modelos lógicos de PLN

Modelos Probabilísticos de PLN

Uso de la PLN

Proyecto de Fin de Master 

*El temario y las masterclass podrán sufrir modificaciones motivadas por la actualización y mejora de los mismos.

Titulación obtenida

Finalizada la formación el estudiante recibirá una titulación emitida por IEBS que acredita los conocimientos adquiridos.

Requisitos

Para acceder al máster es necesario que el aspirante supere el proceso de admisión.

Información Adicional

Créditos

60 ECTs.

Becas:

Becas Smart 25%

Becas Impulsa 40%