Máster en Big Data y Business Analytics

El Máster en Big Data y Business Analytics, codesarrollado con la multinacional tecnológica  Indra, proporciona una visión global de las tecnologías Big Data y su uso, así como una formación aplicada y práctica en técnicas analíticas para el negocio (Business Analytics), es decir, en la aplicación de las técnicas de Data Science a problemas de negocio.
El abaratamiento de los costes de almacenamiento de información digital y la generalización de las tecnologías de virtualización y computación en la nube han permitido un extraordinario desarrollo de las posibilidades para extraer valor de los datos en empresas e instituciones.
Este contexto ha hecho emerger nuevos roles profesionales como el del Data Scientist y ha provocado una reformulación de las tecnologías de procesamiento de datos, pues requieren una actualización y reorientación de los profesionales de las TIC y de otras áreas de negocio.
Según un informe Los + Buscados de Spring Professional 2018, el perfil de Big Data Architect es el más cotizado dentro del sector IT. Indra, que ha colaborado en el desarrollo de este Máster, ha recibido la certificación Top Employer 2019 por ofrecer un buen entorno laboral sus trabajadores e incorporar las prácticas de RHH más actuales.
El programa responde a la necesidad de conocer de manera práctica y aplicada el uso de las tecnologías y los métodos de análisis de datos.

MÓDULO I. Fundamentos de tratamiento de datos para data science

1. Uso de máquinas virtuales y shell de comandos.
2. Fundamentos de programación en Python.
3. Fundamentos de bases de datos relacionales.
4. Fundamentos de tecnologías de Internet.
5. Compartir datos, código y recursos en repositorios.
6. Fundamentos de tratamiento de datos con el stack científico de Python..

Importante: este módulo es introductorio o de nivelación, destinado a la adquisición de las competencias esenciales para la programación estadística, el manejo de bases de datos y el uso de la virtualización, además de otras competencias generales que son necesarias en el resto de los módulos. 

MÓDULO II. Modelos y Aprendizaje Estadístico

1. Lenguaje R y tratamiento de datos.
2. Análisis exploratorio de datos.
3. Probabilidad e Inferencia estadística.
4. Modelos lineales y aprendizaje estadístico.
5. Regresión logística, modelos restringidos de ridge y lasso y gradiente descendiente.
6. GLMS y series temporales.

MÓDULO III. Aprendizaje Automático Aplicado

1. Introducción al aprendizaje automático.
2. Modelos supervisados.
3. Modelos no supervisados.
4. Ingeniería de características y selección de modelos.
5. Modelos conexionistas.
6. Reglas de asociación y market basket analysis.

MÓDULO IV. Minería de Texto y Procesamiento del Lenguaje Natural (PLN)

1. Introducción histórica y tecnológica.
2. Herramientas pln I: NLTK
3. Herramientas de PLN II: Brat y Gate.
4. Text mining I: clustering.
5. Text mining II: sentimiento y temas.
6. Otras aplicaciones y técnicas de PLN.

MÓDULO V. Inteligencia de Negocio y Visualización

1. Introducción a la inteligencia de negocio.
2. Almacenes de datos y bases de datos analíticas.
3. Herramientas de extracción, transformación y carga.
4. Aplicaciones de inteligencia de negocio.
5. Fundamentos de visualización de datos.
6. Herramientas de visualización.

MÓDULO VI. Infraestructura Big Data

1. Procesamiento de datos con Hadoop.
2. Herramientas Hadoop.
3. Procesamiento de datos con Spark.
4. Arquitecturas de streaming.
5. Componentes de arquitecturas de streaming.
6. Plataformas y Apis en la nube

MÓDULO VII. Almacenamiento e Integración de Datos

1. Bases de datos no convencionales.
2. Modelos de base de datos basados en documentos.
3. Modelos de base de datos basados en columnas.
4. Modelos de base de datos basados en grafos.
5. Modelos de base de datos basados en clave-valor.
6. Adquisición de datos.

MÓDULO VIII. Valor y Contexto de la Analítica Big Data

1. El business case de Big Data.
2. Proyectos de Big Data.
3. Aplicaciones analíticas por sectores.
4. Tecnologías emergentes en analítica.
5. Gestión de equipos y métodos ágiles.
6. Aspectos regulatorios del tratamiento de datos.

MÓDULO IX. Aplicaciones Analíticas

1. Caso de estudio de analítica escalable.
2. Caso de estudio de analítica en redes sociales.
3. Caso de estudio en Internet Of Things.
4. Caso de estudio en analítica financiera (el rating de empresas).
5. Caso de estudio en analítica de clientes: Location Analytics.
6. Caso de estudio de técnicas de recuperación de información.

MÓDULO X. Trabajo Fin de Máster

COMPLEMENTOS I. Recursos audiovisuales complementarios

• Casos de estudio:
  • Analítica financiera
  • Analítica de clientes: location analytics
  • Analítica escalable
  • Analítica en redes sociales
• Pasos necesarios para realizar un EDA
• Introducción a Pandas
• Presentación de la unidad Gestión de equipos y métodos ágiles
• Introducción a las metodologías ágiles

 

Este programa está dirigido a profesionales y recién graduados de diferentes perfiles que quieran orientarse hacia profesiones emergentes relacionadas con el análisis de datos. Los perfiles pueden ser de tres tipos:

• Perfiles TIC: informáticos, o ingenierías afines, o profesionales que hayan desarrollado su carrera en el desarrollo de software o en la administración de sistemas de TI.
• Perfiles cuantitativos: graduados en carreras con un componente cuantitativo fuerte, como estadística y matemáticas, que quieran ampliar sus competencias con técnicas de adquisición, almacenamiento y gestión de datos, así como adquirir nuevas capacidades analíticas.
• Perfiles de negocio: graduados y profesionales en diferentes áreas de empresa y economía que quieran especializarse en la analítica del negocio, adquiriendo un background sólido en el manejo de lenguajes estadísticos y en la comprensión de la tecnología especialmente en cuanto a su aplicación técnica. Cabe señalar, por tanto, que este máster tiene un enfoque fundamentalmente técnico.

Para estudiar el master big data se necesita:

• Titulación Universitaria o Experiencia profesional acreditada (Consultar condiciones)
• Nivel de inglés B2 o superior.
• Conocimientos de bases de datos y lenguaje SQL.
• Conocimientos de programación R y/o Python.
• Es recomendable, aunque no imprescindible, un conocimiento básico de bases de datos NoSQL y Hadoop.

Requisitos del ordenador del alumno:

• Procesador: Mínimo i5 6000 (o superior), recomendable i7
• RAM: Mínimo 8 GB, recomendable 12 GB (o superior)
• Almacenamiento: Mínimo 1 TB entre unidades internas y externas.
  • Disco HDD: Mínimo 500 GB (o superior)
  • Disco SDD para el software base: No es imprescindible; sin embargo, mejora enormemente el rendimiento al tener el sistema operativo y el software base instalado sobre el mismo.
• Es necesario comprobar que se pueden utilizar cómodamente máquinas virtuales VirtualBox con la última versión estable de Ubuntu Linux.
• Para la realización del módulo 5 Inteligencia de negocio y visualización, se necesitará el entorno Tableau. Los alumnos podrán solicitar en su página web una licencia anual gratuita de Tableau for Students aportando la documentación de matrícula proporcionada por IMF.
• Para la realización del módulo 5 Inteligencia de negocio y visualización, es necesario hacer uso de la herramienta Qlik View (versión 12 Desktop Personal Edition). Los alumnos podrán solicitar una licencia gratuita, previo registro en su página web.