Descripción


El perfil del Data Scientists es uno de los más buscados por las empresas a día de
hoy. El mercado requiere, cada vez más, profesionales que sepan manejar, analizar
e interpretar grandes cantidades de datos para servir a los objetivos de negocio y,
aunque la tendencia actual sea la búsqueda de personas con estudios en estadística
o bien puramente técnicos, las empresas necesitan perfiles especializados que
combinen la analítica y la estrategia con la parte técnica. Es por ello que la formación
en esta disciplina es un valor diferencial para acceder a estos puestos.

Objetivos

  • Serás capaz de convertir datos en productos y servicios.
  • Estarás preparado para optar a puestos de Data Scientist, BI y Business Analytics
    entre otros.
  • Aprenderás a escribir tu propio código para analizar ingentes cantidades de datos.
  • Sabrás desarrollar dashboards interactivos profesionales para presentar la
    información.

Perfil del alumno


El Máster de Data Science va dirigido a cualquier persona que quiera convertirse en
un data scientist, aunque por su alto contenido técnico, serán necesario que sepas
programar en Python, que tengas una base en estadística y nociones de lenguaje R.
Si preparas tu nivel de estadistica y programación en nuestros cursos introductorios en
streaming has de aprobar los mismos para poder acceder al Máster.


Requisitos técnicos


Para poder seguir el curso y realizar los ejercicios prácticos es necesario disponer de un
ordenador en el que el alumno cuente con todos los permisos de administración que
le permitan instalar los programas que se utilizarán durante las clases.

Salidas profesionales: conviértete en Data Scientist

  • Data Scientist
  • Business Intelligence
  • Business Analyst
  • Data Business Consultant
  • Data Engineer
  • Data Specialist


Plan de estudios


Módulo 1. Entrorno de trabajo Data Science

Bienvenida, Planificación.

Entorno de trabajo: Instalación de Anaconda o Máquina Virtual o Cloud Platform.
Dockers.

Repositorio de código Github.


Módulo 2. Ingeniería de Datos

Tratamiento de Datos en R para Data Science.

Tratamiento de Datos en Python Data Science.

Data Wrangling.


Módulo 3. Bases de Datos SQL y NoSLQL

Bases de Datos relacionales.

Consultas SQL.

Bases de Datos no relacionales.


Módulo 4. Visualización de Datos

Teoría de la Visualización.

Visualización de descubrimiento.

Visualización con herramientas comerciales.


Módulo 5. Estadística Avanzada

Aprendizaje Supervisado Regresión.

Aprendizaje Supervisado Clasificación.

Aprendizaje No Supervisado Clustering.

Aprendizaje No Supervisado Reducción de Dimensionalidad.


Módulo 6. Taller Analítico Estadística Bayesiana

Introducción a la Estadística Bayesiana.

Algoritmos de Computación Probabilística.


Módulo 7. Machine Learning

Aprendizaje Supervisado Regresión.

Aprendizaje Supervisado Clasificación.

Aprendizaje No Supervisado Clustering.

Aprendizaje No Supervisado Reducción de Dimensionalidad.


Módulo 8. Taller Analítico Series Temporales

Descomposición de una Serie Temporal.

ARIMA y otros modelos.
CHALLENGE: Data Science Competition I, Kaggle


Módulo 9. Temas Avanzados de Modelado

Problemas comunes.

Optimización de algoritmos: Tuneado de Hiperparámetros y técnicas de
regularización.

Ensamblado de Modelos.


Módulo 10. Data Science con Spark

Sistema distribuido Spark.

PySpark.

Spark ML y Spark MLlib.

Spark Avanzado.


Módulo 11. Técnicas Avanzadas de Inteligencia Artificial

Redes neuronales.

Deep Learning.

Procesamiento de imágenes.

Procesamiento del Lenguaje Natural.


Módulo 12. Inteligencia de Negocio

Business Intelligence.

Conocimiento de Negocio con Power BI.


CHALLENGE: Data Science Competition II, Kaggle


TRABAJO DE FIN DE MÁSTER. TFM

Semana 1: Presentación del TFM – Metodología de modelado

Semana 2: Planteamiento de casos de uso. Identificación del caso de negocio,
identificación del dataset, plan de proyecto.

Semana 3: Análisis exploratorio de datos.

Semana 4: Tratamiento de información.

Semana 5: Modelado.

Semana 6: Interpretación de modelos y puesta en valor.

Semana 7: Evaluación, deployment y seguimiento.

Semana 8: Operactivización de modelos.

Semana 9: Preparación de documentación y resultados (Word, PDF, PPT)

Semana 10: Presentación de proyectos (vídeo grabado)