Para qué te prepara:
Con este Magister en Data Science explotarás las técnicas y herramientas Big Data, gestionarás bases de datos tanto relacionales con MySQL como no relacionales con MongoDB, analizarás información con los lenguajes Python y R y crearás visualizaciones profesionales con las librerías que estos ofrecen. Además, utilizarás Google Analytics para analizar datos web y verás la aplicación del Machine Learning y la visión artificial.
A quién va dirigido:
El Magister en Data Science está orientado a perfiles técnicos informáticos, estadísticos, administrativos o incluso business que busquen el aprendizaje y aplicación de las principales técnicas de análisis de información, gestión de bases de datos, creación de visualizaciones para la toma de decisiones y aplicación de nuevas tecnologías como el Machine Learning en sus empresas.
Titulación:
Doble Titulación Expedida por EUROINNOVA BUSINESS SCHOOL como Escuela de Negocios Acreditada para la Impartición de Formación Superior de Postgrado y Avalada por la Escuela Superior de Cualificaciones Profesionales
Objetivos:
- Manejar datos masivos gracias al Big Data y utilizar herramientas y técnicas de Business Intelligence. - Conocer para qué sirve el Data Science y qué técnicas, herramientas y lenguajes utiliza para el análisis de datos. - Gestionar bases de datos relacionales con MySQL y no relacionales con MongoDB. - Aprender a programar en Python y utilizar sus librerías y funciones propias del análisis de datos. - Crear visualizaciones de datos profesionales en R gracias a la librería ggplot2. - Utilizar Google Analytics para analizar, gestionar y visualizar información de un sitio web. - Ver la aplicación del Machine Learning, la creación de chatbots y la visión artificial en la ciencia de datos.
Salidas Laborales:
El Data Science es un área profesional con una gran demanda de expertos en la actualidad ya que todas las empresas buscan diferenciarse del resto de competidores gracias a un gran análisis información y una correcta toma de decisiones. Por tanto, gracias a este Magister en Data Science optarás a puesto como Data Analyst, Data Scientist, Visual Analyst o Big Data Engineer.
Resumen:
La ciencia de datos se ha convertido en tendencia en las empresas ya que, saber extraer información, analizarla y poder tomar decisiones basadas en datos es diferencial y clave para obtener éxito en cualquier área. Gracias a este Magister en Data Science aprenderás a extraer información masiva gracias a las técnicas y herramientas que ofrece el Big Data, procesarlas y almacenarlas en bases de datos tanto relacionales con MySQL como no relacionales con MongoDB, analizarlas mediante diferentes algoritmos y mecanismos gracias a los lenguajes Python y R y creando visualizaciones profesionales con las librerías que estos ofrecen. Además, utilizarás Google Analytics para analizar datos web y verás la aplicación del Data Science en el Machine Learning y la visión artificial.
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 Y BUSINESS INTELLIGENCE
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
UNIDAD DIDÁCTICA 2. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
UNIDAD DIDÁCTICA 3. FASES DE UN PROYECTO DE BIG DATA
UNIDAD DIDÁCTICA 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
UNIDAD DIDÁCTICA 5. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
UNIDAD DIDÁCTICA 6. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
UNIDAD DIDÁCTICA 7. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS
UNIDAD DIDÁCTICA 8. INTELIGENCIA DE NEGOCIO Y HERRAMIENTAS DE ANALÍTICA
MÓDULO 2. DATA SCIENCE (CIENCIA DE DATOS)
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING
UNIDAD DIDÁCTICA 6. PYTHON Y EL ANÁLISIS DE DATOS
UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA
UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS
MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
UNIDAD DIDÁCTICA 4. PIVOT TABLES
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
UNIDAD DIDÁCTICA 11. NAIVE BAYES
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
UNIDAD DIDÁCTICA 13. KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
UNIDAD DIDÁCTICA 15. RANDOM FOREST
MÓDULO 4. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2
UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
UNIDAD DIDÁCTICA 2. EJES
UNIDAD DIDÁCTICA 3. TÍTULOS
UNIDAD DIDÁCTICA 4. LEYENDAS
UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
UNIDAD DIDÁCTICA 6. MÁRGENES
UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
UNIDAD DIDÁCTICA 8. COLORES
UNIDAD DIDÁCTICA 9. TEMAS
UNIDAD DIDÁCTICA 10. LÍNEAS
UNIDAD DIDÁCTICA 11. TEXTO
UNIDAD DIDÁCTICA 12. COORDENADAS
UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
UNIDAD DIDÁCTICA 14. CINTAS
UNIDAD DIDÁCTICA 15. SUAVIZADOS
UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
MÓDULO 5. ANALÍTICA WEB
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB
UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4
UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER
UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN
UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO
UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO
UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM
UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES
UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS
UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB
UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO
MÓDULO 6. MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
UNIDAD DIDÁCTICA 10. REDES MULTICAPA
UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE
MÓDULO 7. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
UNIDAD DIDÁCTICA 2. PLN EN PYTHON
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
MÓDULO 8. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES
UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING
UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR
UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO