Curso Gratuito Maestría en Data Driven Decision Making

Información gratuita

Nombre y apellidos

Email

Teléfono

Situación laboral

País

Provincia

Acepto la Política de Privacidad, el Aviso Legal y la Política de Cookies de cursosgratuitos.es

Curso 100% Bonificable si eres trabajador contratado en el régimen general y envías la documentación de matrícula (en el caso de ser estudiante, desempleado, autónomo, funcionario o jubilado puedes realizar este curso de forma parcialmente subvencionada)

Para qué te prepara:

Gracias a esta Maestría en Data Driven Decision Making desarrollarás estrategias de análisis de datos con fuentes de información masivas utilizando herramientas Big Data como Hadoop o Weka para una posterior visualización de datos en informes profesionales con herramientas como Tableau o PowerBI. También podrás analizar datos estadísticos con Python y R y aplicar modelos de inteligencia artificial para la creación de Chatbots inteligentes.

A quién va dirigido:

Esta Maestría en Data Driven Decision Making está orientada principalmente a profesionales con un perfil técnico, a estudiantes en informática o incluso a empresarios con ciertos conocimientos que quieran aprender cómo, a través de modelos programados para analizar información masiva es posible crear visualizaciones de datos que permitan tomar decisiones estratégicas.

Titulación:

Titulación de Maestría en Data Driven Decision Making con 1500 horas expedida por ESIBE (ESCUELA IBEROAMERICANA DE POSTGRADO).

Objetivos:

- Entender las posibilidades del Big Data y cuáles son las herramientas más utilizadas para el análisis de datos. - Conocer la arquitectura Big Data, sus principales tecnologías y sistemas de administración de información. - Saber cómo utilizar la información para el Business Intelligence y como crear Datamart y Datawarehouse. - Utilizar herramientas profesionales de visualización de datos como Tableau, PowerBI, Qlikview, Carto o Google Data. - Descubrir qué es Data Science y procesar modelos de datos con los lenguajes de programación estadística Python y R. - Emplear la Inteligencia artificial, el Machine learning y el Deep Learning para tomar decisiones estratégicas. - Crear chatbots inteligentes utilizando procesamiento de lenguaje natural e inteligencia artificial.

Salidas Laborales:

Todas las empresas quieren lograr el éxito en su nicho de mercado y, actualmente, para lograrlo es necesario establecer una estrategia profesional de toma de decisiones basada en datos. Gracias a este Master en Data Driven Decision Making optarás a puestos como CIO (Chief Information Officer), Big Data Developer, Analista de datos, Data Scientist o IA Engineer.

Resumen:

La toma de decisiones dentro de una empresa en base a un análisis de datos estratégico y focalizado es clave para diferenciarte del resto de competidores y conseguir el éxito. Gracias a esta Maestría en Data Driven Decision Making desarrollarás estrategias de análisis de datos con fuentes de información masivas utilizando herramientas Big Data como Hadoop o Weka para una posterior visualización de datos en informes profesionales con herramientas como Tableau o PowerBI. También podrás analizar datos estadísticos con Python y R y aplicar modelos de inteligencia artificial para la creación de Chatbots inteligentes. Contarás con un equipo de profesionales especializados en la materia. Además, gracias a las prácticas garantizadas, podrás acceder a un mercado laboral en plena expansión.

Metodología:

Entre el material entregado en este curso se adjunta un documento llamado Guía del Alumno dónde aparece un horario de tutorías telefónicas y una dirección de e-mail dónde podrá enviar sus consultas, dudas y ejercicios. La metodología a seguir es ir avanzando a lo largo del itinerario de aprendizaje online, que cuenta con una serie de temas y ejercicios. Para su evaluación, el alumno/a deberá completar todos los ejercicios propuestos en el curso. La titulación será remitida al alumno/a por correo una vez se haya comprobado que ha completado el itinerario de aprendizaje satisfactoriamente.

Temario:

MÓDULO 1. BIG DATA ANALYTICS TOOLS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. BIG DATA Y MARKETING
  1. Apoyo del Big Data en el proceso de toma de decisiones
  2. Toma de decisiones operativas
  3. Marketing estratégico y Big Data
  4. Nuevas tendencias en management
UNIDAD DIDÁCTICA 6. DEL BIG DATA AL LINKED OPEN DATA
  1. Concepto de web semántica
  2. Linked Data Vs Big Data
  3. Lenguaje de consulta SPARQL
UNIDAD DIDÁCTICA 7. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL. Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL. MONGODB
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB. Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB. Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 9. ECOSISTEMA HADOOP
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
UNIDAD DIDÁCTICA 10. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
UNIDAD DIDÁCTICA 11. PENTAHO
  1. Una aproximación a Pentaho
  2. Soluciones que ofrece Pentaho
  3. MongoDB & Pentaho
  4. Hadoop & Pentaho
  5. Weka & Pentaho

MÓDULO 2. ARQUITECTURA BIG DATA

UNIDAD DIDÁCTICA 1. BATCH PROCESSING
  1. Hadoop
  2. Pig
  3. Hive
  4. Sqoop
  5. Flume
  6. Spark Core
  7. Spark 2.0
UNIDAD DIDÁCTICA 2. STREAMING PROCESSING
  1. Fundamentos de Streaming Processing
  2. Spark Streaming
  3. Kafka
  4. Pulsar y Apache Apex
  5. Implementación de un sistema real-time
UNIDAD DIDÁCTICA 3. SISTEMAS NOSQL
  1. Hbase
  2. Cassandra
  3. MongoDB
  4. NeoJ
  5. Redis
  6. Berkeley DB
UNIDAD DIDÁCTICA 4. INTERACTIVE QUERY
  1. Lucene + Solr
UNIDAD DIDÁCTICA 5. SISTEMAS DE COMPUTACIÓN HÍBRIDOS
  1. Arquitectura Lambda
  2. Arquitectura Kappa
  3. Apache Flink e implementaciones prácticas
  4. Druid
  5. ElasticSearch
  6. Logstash
  7. Kibana
UNIDAD DIDÁCTICA 6. CLOUD COMPUTING
  1. Amazon Web Services
  2. Google Cloud Platform
UNIDAD DIDÁCTICA 7. ADMINISTRACIÓN DE SISTEMAS BIG
  1. Administración e Instalación de clusters: Cloudera y Hortonworks
  2. Optimización y monitorización de servicios
  3. Seguridad: Apache Knox, Ranger y Sentry
UNIDAD DIDÁCTICA 8. VISUALIZACIÓN DE DATOS
  1. Herramientas de visualización: Tableau y CartoDB
  2. Librerías de Visualización: D, Leaflet, Cytoscape

MÓDULO 3. BUSINESS INTELLIGENCE, DATAWAREHOUSE Y HERRAMIENTAS DE VISUALIZACIÓN

UNIDAD DIDÁCTICA 1. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución de Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 2. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 3. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de textos y Web Mining
  6. Data mining y marketing
UNIDAD DIDÁCTICA 4. DATAMART. CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
  1. Aproximación al concepto de DataMart
  2. Procesos de extracción, transformación y carga de datos (ETL)
  3. Data Warehou
  4. Herramientas de Explotación
  5. Herramientas para el desarrollo de cubos OLAP
UNIDAD DIDÁCTICA 5. DATAWAREHOUSE O ALMACÉN DE DATOS CORPORATIVOS
  1. Visión General. ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube
UNIDAD DIDÁCTICA 6. INTELIGENCIA DE NEGOCIO Y HERRAMIENTAS DE ANALÍTICA
  1. Tipos de herramientas para BI
  2. Productos comerciales para BI
  3. Productos Open Source para BI
  4. Beneficios de las herramientas de BI
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 8. TABLEAU
  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 9. D3 (DATA DRIVEN DOCUMENTS)
  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 10. GOOGLE DATA
  1. Google Data Studio
UNIDAD DIDÁCTICA 11. QLIKVIEW
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
UNIDAD DIDÁCTICA 12. POWERBI
  1. Business Intelligence en Excel
  2. Herramientas Powerbi
UNIDAD DIDÁCTICA 13. CARTO
  1. CartoDB

MÓDULO 4. DATA SCIENCE Y PROGRAMACIÓN ESTADÍSTICA CON PYTHON Y R

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting
  4. Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL. Una base de datos relacional
UNIDAD DIDÁCTICA 3. PYTHON Y EL ANÁLISIS DE DATOS
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 4. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 5. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 6. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 5. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
  1. Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
  1. Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
  1. Introducción
  2. Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
  1. Clasificadores
  2. Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
  1. Componentes
  2. Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN
UNIDAD DIDÁCTICA 2. PLN EN PYTHON
  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés
UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots
UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel