Descripción
Con el Máster en Data Science & Big Data estarás preparado para cualquier reto en el mundo laboral, no necesitarás periodo de adaptación. Aprenderás programación en Python, análisis de datos, análisis predictivo y Machine Learning.
Dominarás las principales herramientas de tratamiento de datos y librerías de Python como Pandas, Numpy, Tensorflow, Prophet, entre otras herramientas de Big Data como Apache Spark o Cassandra.
Si decides seguir en el camino del Dato, con el Máster en Deep Learning puedes conseguir la doble titulación Máster en Data Science & Deep Learning
Para la obtención del título con sello CUALIFICAM es necesario matricularse en el Máster en Data Science & Deep Learning, cursando el Máster en Data Science & Big Data y el Máster en Deep Learning.
Los créditos de este programa incluyen prácticas que son convalidables por experiencia laboral.
Perfil del alumno:
- Intereses: Profesionales interesados en explorar herramientas y aplicaciones de la Ciencia de Datos y el Aprendizaje Profundo desde una perspectiva integral.
- Formación: Tienen antecedentes técnicos y título universitario de carrera STEM, aunque también pueden tener un título universitario o un ciclo formativo de grado superior en tecnología, economía, derecho o ciencias médicas.
- Experiencia: Deberán contar con una experiencia profesional acreditada de más de 3 años en puestos relacionados con analítica de datos, procesos de digitalización o en departamentos financieros, IT y operaciones.
Plan de estudios
Data Science Fundamentals
Introducción a conceptos fundamentales de Data Science.
Presentación del marco de referencia general.
Statistics for Data Science
Fundamentos de estadística necesarios para dominar la ciencia de los datos. Estadística descriptiva, contraste de hipótesis, etc.
Data Science with Python
Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, HSQL, Logs) y no estructuradas (Web, Spark, Cassandra).
Data Pre-processing
Pre-procesar adecuadamente datos. Aplicación de filtros, anonimización de datos, selección de atributos, sampling
y reducción de dimensionalidad.
Data Visualization
¿Cómo visualizar diferentes tipos de datos? ¿Qué técnicas utilizar? Uso de Matplotlib, Bokeh y Seaborn entre otras.
Advanced Data Processing
Tratamiento de fuentes de datos. Arquitecturas de procesamiento en batch y streaming. Bases de datos
(estructuradas y no estructuradas)
Predictive Analytics
Análisis de series temporales, revisión de los mejores algoritmos. Desarrollo de casos de uso de detección de anomalías y predicción de series.
Machine Learning I
Introducción a los problemas de clasificación y clusterización. ¿Cómo evaluar los resultados? ¿Cómo construir los datasets? Revisión de los principales algoritmos y su aplicación.
Big Data Fundamentals
Análisis de arquitecturas y modelos de adopción con las tecnologías actuales, incluyendo procesos de ingesta, análisis y visualización de datos.
Entrepreneurship I
Perspectiva global del proceso de creación, financiación y posibles éxitos de una startup. Herramientas para proyectos de emprendimiento.
Databases & SQL
Principales bases de datos y el lenguaje SQL, aprendizaje de las últimas técnicas de almacenaje, manipulación y extracción de datos en BBDD.
Machine Learning Ops
Se estudiará el ciclo de MLOps de manera práctica, tanto a nivel de desarrollo como a nivel de modelos en producción.
Final Project
Creación de tu proyecto en grupo de ciencia de datos aplicado a la temática de tu interés o proporcionada por una de nuestras empresas colaboradoras.
