Curso Gratuito Master Data Science y Análisis de Datos

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)

Busca otros cursos gratuitos

Para qué te prepara:

Con este máster en Data Science podrás aprender todos los conocimientos necesarios de Data Science y Big Data para poder convertirse en un profesional que sepa analizar y manejar cantidades de datos elevadas que sirvan para tomar decisiones fundamentales en las empresas para mejorar muchos aspectos de ella. Este máster lo convertirá en un valor diferencial muy a tener en cuenta por las empresas del sector.

A quién va dirigido:

Este máster está principalmente dirigido a un variedad muy amplia de perfiles entre los que destacan los perfiles informáticos y del ámbito matemático, estadístico o económico. Aunque está pensado sobre todo para estos perfiles, existen muchos campos en los que se puede aplicar los contenidos aquí desarrollados.

Titulación:

Titulación Expedida y Avalada por el Instituto Europeo de Estudios Empresariales

Objetivos:

- Aprender en qué consiste el Data Science y el Big Data.- Saber manejar grandes volúmenes de información e interpretarla.- Capacitar para la conversión de datos en productos o servicios.- Desarrollar dashboards para la presentación de información.- Conocer y aprender lenguajes de programación estadística.

Salidas Laborales:

Con la realización de este máster podrás optar a los siguientes puestos:- Data Scientist- Analista de datos- Business Intelligence Administrator- Gestor de infraestructuras de Big Data- Business Analist. Y en general cualquier puesto que necesite el análisis de grandes cantidades de datos para la toma de decisiones.

Resumen:

El constante crecimiento de la información que se analiza en las empresas día a día y el desarrollo tan grande las tecnologías, hacen que conceptos como Data Science, Big Data, Analisis de datos estén cada vez mas presentes, sobre todo en el ámbito empresarial, haciendo que el papel de analista de datos ó data scientist sea cada vez más demandado y tenga una importancia muy grande en las empresas.Con la realización de este máster podrás optar a trabajar en grandes empresas que tramiten grandes cantidades de datos diariamente y podrás realizar la planificación, análisis y extracción de conclusiones de estos datos para la mejora de las decisiones, a veces vitalmente importantes, que toma la empresa para la mejora de sus productos /ventas/herramientas y que pueden llegar a tomar el valor diferencial con la competencia.

Metodología:

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura en INESEM Business School a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. El alumno debe avanzar de manera autónoma a lo largo de las diferentes unidades didácticas así como realizar las actividades y autoevaluaciones correspondientes. La carga de horas de la acción formativa comprende las diferentes actividades que el alumno realiza a lo largo de su itinerario. Las horas de teleformación realizadas en el Campus Virtual se complementan con el trabajo autónomo del alumno, la comunicación con el docente, las actividades y lecturas complementarias y la labor de investigación y creación asociada a los proyectos. Para obtener la titulación el alumno debe aprobar todas la autoevaluaciones y exámenes y visualizar al menos el 75% de los contenidos de la plataforma. El Proyecto Fin de Máster se realiza tras finalizar el contenido teórico-práctico en el Campus. Por último, es necesario notificar la finalización del Máster desde la plataforma para comenzar la expedición del título.

Temario:

MÓDULO 1. CONCEPTOS PREVIOS EN BIG DATA Y DATA SCIENCE

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. 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 3. INTRODUCCIÓN AL DATA SCIENCE
  1. ¿Qué es Data Science?
  2. Historia del Data Science
  3. ¿Qué función tiene un Científico de datos?
  4. Data Science vs Big Data. Principales diferencias

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. EXPLOTACIÓN Y ANÁLISIS DE BIG DATA EN DATA SCIENCE

UNIDAD DIDÁCTICA 1. 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 2. 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 3. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP
  1. ¿Qué es Hadoop?
  2. El sistema de archivos HDFS
  3. Algunos comandos de referencia
  4. Procesamiento MapReduce con Hadoop
  5. El de los clusters en Hadoop
UNIDAD DIDÁCTICA 4. 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 5. PENTAHO UNA SOLUCIÓN OPEN SOURCE PARA BUSINESS INTELLIGENCE
  1. Una aproximación a Pentaho
  2. Soluciones que ofrece Pentaho
  3. MongoDB & Pentaho
  4. Hadoop & Pentaho
  5. Weka & Pentaho

MÓDULO 4. ANALÍTICA WEB Y BIG DATA

UNIDAD DIDÁCTICA 1. ¿QUÉ ES LA ANALÍTICA WEB?
  1. Introducción
  2. La Analítica Web: Un reto cultural
  3. ¿Qué puede hacer la analítica web por ti o tu empresa?
  4. Glosario de Analítica Web
UNIDAD DIDÁCTICA 2. ANALÍTICA WEB BÁSICA: INTRODUCCIÓN
  1. La analítica web en la actualidad
  2. Definiendo la analítica web
  3. El salto a la analítica web moderna
UNIDAD DIDÁCTICA 3. ANALIZAR LA INFORMACIÓN CUANTITATIVA
  1. Identificar los factores críticos
  2. Otros factores que convienen medir
  3. Las macro y microconversiones
  4. Medir el valor económico
  5. Sitios sin comercio: valores a medir
  6. Medición de sitios BB
UNIDAD DIDÁCTICA 4. ANALIZAR LA INFORMACIÓN CUALITATIVA
  1. Introducción
  2. La usabilidad Web
  3. Pruebas Online y a Distancia
  4. Las encuestas
UNIDAD DIDÁCTICA 5. DEFINICIÓN DE KPIS
  1. Definición de KPIs
  2. KPI, CSF y metas
  3. Principales KPIS
  4. Ejemplos de KPIS
  5. Supuesto práctico: Cálculo de KPI con Excel
UNIDAD DIDÁCTICA 6. CI: INTELIGENCIA COMPETITIVA
  1. Introducción
  2. Recopilar datos de Inteligencia Competitiva
  3. Análisis del tráfico de sitios web
  4. Búsquedas
UNIDAD DIDÁCTICA 7. ANALÍTICA WEB 2.0. MÓVILES Y VÍDEOS
  1. Introducción
  2. La nueva web social y como medir datos
  3. Las aplicaciones
  4. Analizar el comportamiento desde el móvil
  5. Analizar el rendimiento de los vídeos
UNIDAD DIDÁCTICA 8. ANALÍTICA WEB 2.0. REDES SOCIALES
  1. Análisis de Blogs
  2. Coste y beneficios de escribir en un blog
  3. Nuestro impacto en Twitter
  4. Métricas para Twitter
UNIDAD DIDÁCTICA 9. PROBLEMAS Y SOLUCIONES DE LA ANALÍTICA WEB
  1. La calidad de los datos
  2. Obtener datos válidos
  3. ¿En qué basarnos para la toma de decisiones?
  4. Beneficios de análisis multicanal
UNIDAD DIDÁCTICA 10. MÁS ALLÁ DE LOS DATOS
  1. Segmentación en base al comportamiento
  2. Predicción y minería de datos
  3. Rumbo a la analítica inteligente
UNIDAD DIDÁCTICA 11. DEL BIG DATA AL LINKED OPEN DATA
  1. Concepto de web semántica
  2. Linked Data Vs Big Data
  3. Lenguaje de consulta SPARQL

MÓDULO 5. DATA SCIENCE

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 Computing
  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. 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 4. 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 6. INTRODUCCIÓN A LA PROGRAMACIÓN ESTADÍSTICA

UNIDAD DIDÁCTICA 1. 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 2. 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

MÓDULO 7. CUADRO DE MANDO Y DASHBOARD

UNIDAD DIDÁCTICA 1. DEFINICIÓN DE KPIS
  1. Definición de KPIs
  2. KPI, CSF y metas
  3. Principales KPIS
  4. Ejemplos de KPIS
  5. Supuesto práctico: Cálculo de KPI con Excel
UNIDAD DIDÁCTICA 2. CONCEPTO Y CREACIÓN DE CUADROS DE MANDO
  1. Introducción a los cuadros de mando y dashboard
  2. Estrategias para la creación de un cuadro de mando
  3. Dashboard en Excel o Google Analytics
UNIDAD DIDÁCTICA 3.HERRAMIENTAS PARA LA CREACIÓN DE CUADROS DE MANDO
  1. Aplicaciones gratuitas
  2. Aplicaciones propietarias

MÓDULO 8. DATA WAREHOUSE CON HERRAMIENTAS BI (BUSINESS INTELLIGENCE)

UNIDAD DIDÁCTICA 1. PRESENTACIÓN
  1. Nociones básicas
  2. Concepto de DataWareHouse
UNIDAD DIDÁCTICA 2. DATA WAREHOUSE
  1. Aplicación
  2. Elementos
  3. Data Warehouse en la nube
UNIDAD DIDÁCTICA 3. DATAMART
  1. Datamart
  2. DataMart: Componentes
UNIDAD DIDÁCTICA 4. BASE DE DATOS CENTRAL
  1. Base de datos central
  2. Productos Open Source para BI
UNIDAD DIDÁCTICA 5. IMPLEMENTACIÓN DE CUBOS 75
  1. Creación de Cubos
  2. Transformación, extracción y carga
UNIDAD DIDÁCTICA 6. SISTEMAS OLAP
  1. Discoverer Administrador
  2. MOLAP, ROLAP & HOLAP
  3. Sistema de Soporte a la Desición (DSS)
  4. Sistemas de Información Ejecutiva (EIS)
  5. Cliente y Servidor
  6. Discoverer Desktop
UNIDAD DIDÁCTICA 7. MINERÍA DE DATOS
  1. Minería de datos
  2. ¿Qué podemos hacer con data Mining?
  3. ¿Qué usos puede tener el data Mining?
  4. Metodología de la minería de datos
  5. Algunas técnicas estadísticas utilizadas en data mining
  6. Árboles de decisión
  7. Reglas de inducción
  8. Redes Bayesanas
  9. Algoritmos Genéticos
UNIDAD DIDÁCTICA 8. CICLO DATA MINING
  1. Ciclo data mining
  2. Minería de Textos y Web Mining
  3. Data mining y marketing

MÓDULO 9. PROYECTO FINAL