Descripción

En la actualidad, las empresas tienen la necesidad de predecir el comportamiento de las personas con el fin de mejorar la interacción con las mismas. Y por este motivo, han estado almacenando datos que ahora deben ser convertidos en activos digitales de valor. 

Para esa conversión de datos a activos de valor, las nuevas técnicas de Big Data son fundamentales pues permiten una gestión masiva de datos eficiente. Además, los algoritmos de Machine Learning permiten tomar esos datos e inferir el comportamiento de las personas con una contundente probabilidad de acierto.

Con el Máster en Data Science y Big Data aprenderás a utilizar las técnicas y herramientas más importantes para manejar grandes volúmenes de datos y, además, conocerás y sabrás aplicar todos los algoritmos de Machine Learning así como su uso a través de Redes Neuronales para su aplicación en entornos reales.

¿A quién va dirigido?

El Máster en Data Science y Big Data se orienta a los siguientes perfiles:

  • Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
  • Profesionales vinculados fuertemente con la tecnología que tengan por objetivo la especialización en Big Data y Machine Learning
  • Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
  • Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
  • Estadísticos y Matemáticos que quieran desarrollar su carrera en el mundo del Científico de Datos para Marketing

Estas son las profesiones que podrás desempeñar después de estudiar el Máster en Data Science y Big Data:

  • Data Scientist
  • Chief Data Officer (CDO)
  • Arquitecto de datos

La figura del científico de datos y del profesional en Data es un perfil altamente demandado en cualquier empresa, por no decir imprescindible. Es por ello que el Master en Data Science y Big Data te preparará para desempeñarte en las diferentes áreas del análisis de datos, como Data Scientist, Chief Data Officer, Arquitecto de Datos, Data Analyst, entre otros.

Modelo de aprendizaje innovador

Descubre el Futuro con la Metodología Agile de IEBS

Aplicamos el Agile Learning con sprints semanales donde el alumno tiene unos objetivos y metas que cumplir y un proyecto donde poner en práctica los conocimientos que adquiere con la guía y supervisión de un mentor.

  • Aprendizaje práctico por proyectos
  • Trabajo en equipo
  • Discusiones y debates
  • Seguimiento de mentores
  • Materiales de apoyo
  • Clases en directo y grabadas

Plan de estudios

Módulo 1. Introducción a los lenguajes de programación

  • Fundamentos de Python
  • Python avanzado
  • Fundamentos R
  • Proyecto: Análisis de un dataset público de la copa mundial de fútbol

Módulo 2. Fundamentos de IA y Machine Learning

  • Introducción a la IA y Machine Learning
  • Algoritmos de regresión. Evaluación y métricas
  • Ecosistemas de Machine Learning en la nube
  • Proyecto: Análisis predictivo del precio de la vivienda

Módulo 3. Matemáticas y estadística en el tratamiento de datos

  • Matemática analítica
  • Estadística descriptiva
  • Estadística inferencial
  • Proyecto: Conocimiento de usuarios y Sistema Recomendador en una plataforma de streaming de películas

Módulo 4. Aprendizaje supervisado I

  • Clasificación binaria, multiclase y métricas. Curva ROC
  • Clasificación con Naive Bayes
  • Clasificación con Support Vector Machine (SVM)
  • Proyecto: Evaluación del estado de salud de un bebé durante el parto

Módulo 5. Sistemas y servicios de Almacenamiento

  • Bases de Datos Relacionales
  • Fundamentos de SQL
  • Bases de datos NoSQL
  • Proyecto: Análisis del impacto de los anuncios de TV en las visitas a la página web del anunciante.

Módulo 6. Aprendizaje supervisado II

  • Clasificación con KNN, regresión logística y softmax
  • Regresión y clasificación con árboles de decisión
  • Combinación de clasificadores: ensembles y random forests
  • Proyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleado

Módulo 7. Entornos Datawarehouse

  • Tipos y arquitectura de un Data Warehouse vs Data Lake
  • MongoDB Atlas
  • Fundamentos de Azure y AWS
  • Proyecto: Diseño e implementación de la automatización de una infraestructura sobre AWS

Módulo 8. Aprendizaje NO Supervisado

  • Reducción de dimensionalidad en los datos: PCA
  • Algoritmos de agrupamiento: K Medias y jerárquico
  • Técnicas de detección de anomalías
  • Proyecto: PCA y CLUSTERING utilizando Python

Módulo 9. Arquitecturas distribuidas Big Data

  • Introducción a las Arquitecturas Distribuidas: Paralelización y Map Reduce
  • Arquitecturas Lambda y Kappa. Batch vs Streaming.
  • Gestión de recursos en Arquitecturas Distribuidas
  • Proyecto: Diseño y Desarrollo de una Arquitectura Distribuida para Análisis de Datos Espaciales

Módulo 10. Redes neuronales y Deep Learning

  • Hitos del Deep Learning y fundamentos de las redes neuronales
  • Frameworks de Deep Learning: TensorFlow
  • Ajuste de modelos de Deep Learning
  • Proyecto: Análisis donde se aplican técnicas de Deep Learning

Módulo 11. Procesamiento de datos a gran escala I: Hadoop

  • Extracción, Transformación y Carga de datos
  • Fundamentos y herramientas del ecosistema Hadoop
  • Gestión de datos Streaming
  • Proyecto: Desarrollo de una aplicación de ingesta y análisis de datos

Módulo 12. Redes Neuronales Convolucionales (CNNs)

  • Fundamentos de las CNNs: kernels, convolución, pooling, etc.
  • Modelos pre-entrenados: Transfer Learning y Fine-Tuning
  • Deep Learning en producción
  • Proyecto: Análisis de un problema de clasificación de imágenes con Deep Learning

Módulo 13. Procesamiento de datos a gran escala I: Spark

  • Introducción a Spark y programación en batch sobre RDDs
  • Spark SQL, Dataframes y GraphX
  • Spark Streaming y MLlib
  • Proyecto: Procesamiento en Streaming de un Modelo de ML con Spark Streaming y MLlib

Módulo 14. Sistemas de recomendación

  • Personalización creada por datos
  • Filtrado Colaborativo
  • Aplicaciones, tendencias y retos de los sistemas de recomendación
  • Proyecto: Implementando un algoritmo de SR con la librería Surprise de Python

Módulo 15. Otras acciones de procesamiento de datos

  • Procesos ETL con Python
  • Web Scraping
  • Servicios Web y APIs
  • Proyecto: Extracción y análisis de reviews de películas mediante web scraping

Módulo 16. Procesamiento del Lenguaje Natural

  • Introducción al Procesamiento del Lenguaje Natural
  • Modelos Probabilísticos de NLP y Métodos de Aplicación
  • NLP – Modelos y Algoritmos
  • Proyecto: Investigación detallada de un caso de estudio de NLP

Módulo 17. Global Project

Masterclass

  • Masterclass: KNIME Franco Ubber Scapin | Data Scientist en Naranja
  • Masterclass: Salesforce – Visión 360º del cliente Mauro Rafaelli Castilhos | Digital Advisor – Digital Ventures Lab (DVL)
  • Masterclass: Sqoop Angel Hernandez Bravo | Tecnology Advisor – Experto Tecnologías de Información en Banco de España eurosystem
  • Taller de Python Layla Scheli | Analista de BI, Big Data y Data Science en Iosper
  • Workshop: Recomendaciones para aumentar tu empleabilidad como especialista técnico Zaira Adame | 
Directora Innovación Estratégica y Business Intelligence. Co-Founder en Bzmk creative contents.