Máster en Ingeniería de Datos y Big Data del centro ESESA IMF Digital Business School

Descripción

La formación es especializada y de alto nivel, te permitirá hacer frente a situaciones reales de empresas en el área de la gestión y obtención de datos, orientado totalmente al negocio. Aprenderás de profesionales 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.

Las sesiones presenciales crean entornos de discusión y aprendizaje activos donde todos los participantes, docentes y estudiantes, comparten conocimientos y experiencias que enriquecen, sin lugar a duda, todos los ámbitos del programa.

A quién va dirigido

1. Recién titulados de las ramas de informática, ingenieros de diversas especialidades.
2. Estudiantes de diferentes formaciones universitarias que posean conocimientos previos de la materia.

Objetivos

Adquirir conocimientos y la experiencia práctica que combinan un background técnico sólido y la aplicabilidad de las tecnologías, a través del uso de la tecnología, usando 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.

Aprenderás:

1. Los conceptos de análisis estadístico y predictivo.
2. Fundamentos de la programación en R para el tratamiento de datos.
3. 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. Fundamentos del aprendizaje profundo, modelos conexionistas y redes neuronales.
5. Técnicas de minería de texto y procesamiento del lenguaje natura.
6. La inteligencia de negocio usando las herramientas necesarias para el almacenamiento, extracción, carga de datos y visualización.
7. 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. La seguridad y legislación de los datos, además de las técnicas de seguridad.

Temario

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

Titulación obtenida

Finalizada la formación, recibirás una doble titulación de:

1. Máster emitido por la Universidad Nebrija.
2. Máster por IMF Smart Education.

Requisitos

Para acceder al máster, es necesario que el estudiante posea Titulación Universitaria.

Información Adicional

Financiación sin intereses hasta en 12 meses. Descuento por pago al contado.

Bolsa de Empleo y Prácticas.