Cursos gratuitos

Curso Gratuito Master Oficial Universitario en Data Science + 60 Créditos ECTS

Duración: 1500
EURO63f47ec269ea3
Valoración: 4.7 /5 basada en 76 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Master Oficial Universitario en Data Science + 60 Créditos ECTS:

Con el Master Oficial Universitario en Data Science tendrás la posibilidad de aprender a explotar los datos masivos haciendo uso de las técnicas estadísticas y lenguajes de programación más usados en un entorno de Big Data. Serás capaz de visualizar resultados y aplicar algoritmos, permitiéndote tomar decisiones estratégicas y optimizar cálculos. Tendrás la posibilidad de estudiar cómo llevar a cabo una base de datos y analizar las más exitosas.

A quién va dirigido:

Este Master Oficial Universitario en Data Science puede ir dirigido a cualquier persona interesada en el mundo de la ciencia de datos y su aplicación a toda la tecnología que engloba el Big Data, haciendo hincapié en la especialización en el análisis y explotación de los datos. Además, sirve para cualquier profesional interesado/a en continuar formándose en este sector.

Objetivos de este curso subvencionado Curso Gratuito Master Oficial Universitario en Data Science + 60 Créditos ECTS:

- Aprender a explotar los datos y visualizar resultados mediante técnicas de Data Science y programación estadística. - Conocer los principales algoritmos de análisis estadístico utilizados en entorno de Big Data. - Adquirir los conocimientos necesarios para el manejo de Bases de datos. - Aprender a aplicar técnicas de Data Mining en Weka. - Descubrir la creación de Dashboard.

Salidas Laborales:

Las salidas profesionales de este Master Oficial Universitario en Data Science te permiten poder trabajar junto a los equipos directivos en la toma de decisiones como analista de mercado, digital manager, data architect, chief data officer y muchas otras profesiones emergentes. Desarrolla tu carrera profesional, adquiere una formación avanzada y amplía las fronteras en este sector.

 

Resumen:

La creciente cantidad de datos y el desarrollo del Internet de las Cosas hacen que estén cada vez más presentes los conceptos de Data Science y el análisis de datos en los entornos empresariales, donde el científico de datos tiene un papel muy relevante en la explotación de éstos. Con el Master Oficial Universitario en Data Science podrás ponerte a la vanguardia en el uso de las nuevas tecnologías y algoritmos de análisis que le permitirán desarrollar las habilidades necesarias para extraer y evaluar datos de forma eficaz, permitiéndote tomar decisiones estratégicas y optimizar costes.

Titulación:

Doble Titulación: - Título Oficial de Master Oficial Universitario en Data Science expedida por la Universidad e-Campus acreditado con 60 ECTS Universitarios. Su superación dará derecho a la obtención del correspondiente Título Oficial de Máster, el cual puede habilitar para la realización de la Tesis Doctoral y obtención del título de Doctor/a. - Titulación de Master en Data Science con 1500 horas expedida por EUROINNOVA INTERNATIONAL ONLINE EDUCATION, miembro de la AEEN (Asociación Española de Escuelas de Negocios) y CLADEA (Consejo Latinoamericano de Escuelas de Administración)

Metodología:

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura con nosotros a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. 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. El Proyecto Fin de Máster se realiza tras finalizar el contenido teórico-práctico en el Campus que será calificado con una puntuación entre 0-6 puntos. Finalmente tendrán que realizar un examen oficial de forma presencial en español de cada una de las asignaturas del máster, pudiendo realizarse en la sedes de Madrid o Bogotá o en cualquiera de las sedes de la Cámara de Comercio con la que la Universidad tiene un convenio para la realización de las evaluaciones presenciales. Actualmente estos exámenes se están realizando de forma online excepcionalmente por la situación de Covid.

Temario:


MÓDULO 1. AGILE PROJECT MANAGEMENT

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS METODOLOGÍAS ÁGILES
  1. Ingeniería de software, sus principios y objetivos
  2. Metodologías en Espiral, Iterativa y Ágiles
  3. Prácticas ágiles
  4. Métodos ágiles
  5. Evolución de las metodologías ágiles
  6. Metodologías ágiles frente a metodologías pesadas
UNIDAD DIDÁCTICA 2. AGILE PROJECT THINKING
  1. Principios de las metodologías ágiles
  2. Agile Manifesto
  3. User History
UNIDAD DIDÁCTICA 3. LA PLANIFICACIÓN ÁGIL: AGILE LEADERSHIP Y CREATIVIDAD
  1. La interacción como alternativa a la planificación lineal
  2. La comunicación y la motivación
  3. Características del liderazgo participativo
  4. Pensamiento disruptivo y desarrollo de la idea
  5. Prueba y error, learning by doing
UNIDAD DIDÁCTICA 4. METODOLOGÍA EXTREME PROGRAMMING (XP)
  1. Definición y características de Extreme Programming
  2. Fases y reglas de XP
  3. La implementación y el diseño
  4. Los valores de XP
  5. Equipo y cliente de XP
UNIDAD DIDÁCTICA 5. METODOLOGÍA SCRUM
  1. La teoría Scrum: framework
  2. El equipo
  3. Sprint Planning
  4. Cómo poner en marcha un Scrum
UNIDAD DIDÁCTICA 6. DESARROLLO DEL MÉTODO KANBAN
  1. Introducción al método Kanban
  2. Consejos para poner en marcha kanban
  3. Equipo
  4. Business Model Canvas o lienzo del modelo de negocio
  5. Scrumban
UNIDAD DIDÁCTICA 7. LEAN THINKING
  1. Introducción al Lean Thinking
  2. Lean Startup
UNIDAD DIDÁCTICA 8. OTRAS METODOLOGÍAS ÁGILES Y TÉCNICAS ÁGILES
  1. Agile Inception Deck
  2. Design Thinking
  3. DevOps
  4. Dynamic Systems Development Method (DSDM)
  5. Crystal Methodologies
  6. Adaptative Software Development (ASD)
  7. Feature Driven Development (FDD)
  8. Agile Unified Process

MÓDULO 2. BIG DATA INTRODUCTION

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. 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 6. 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 7. 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 8.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 9. INTERNET DE LAS COSAS
  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras

MÓDULO 3. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

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. 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 4. 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 5. 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 6. PENTAHO
  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO
UNIDAD DIDÁCTICA 7. 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 8. 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 9. 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 4. 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 5. ANÁLISIS DE DATOS CON PYTHON

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
  1. Conceptos básicos de Python para la ciencia de datos
  2. Tipos de datos
  3. Bucles, funciones y módulos
  4. Proyectos para principiantes de Python
  5. Python para análisis de datos
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
  1. Numpy
  2. Pandas
  3. Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
  1. Formas de filtrar datos con Pandas
  2. Uso de loc
  3. Eliminar una columna
  4. Método de consulta
  5. Aplicación de pandas a columnas únicas y múltiples
UNIDAD DIDÁCTICA 4. PIVOT TABLES
  1. Pasar de tablas dinámicas de Excel a Python con Pandas
  2. Tablas dinámicas en Pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
  1. GroupBy
  2. Funciones de agregación
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
  1. Fusión de datos en Python con Pandas
  2. Fusinoar y concatenar Dataframes
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
  1. Matplotlib para visualización de datos
  2. Nubes de palabras en Python
  3. Visualizaciones con Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
  1. Conceptos básicos de aprendizaje automático
  2. ¿Qué es el aprendizaje automático?
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
  1. Regresión lineal e implementación en Python
  2. Regresión lineal múltiple
  3. Regresión logística
  4. Aplicación de la regresión logísitca en Python
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
  1. Arbol de decisión en aprendizaje automático
  2. Uso e implantación de árboles de decisiones en Python
UNIDAD DIDÁCTICA 11. NAIVE BAYES
  1. Clasificador Naive Bayes
  2. Clasificación de texto utiizando Naive Bayes en Python
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
  1. SVM en aprendizaje automático
  2. Casos de uso de SVM en Python
UNIDAD DIDÁCTICA 13. KNN
  1. Algoritmo KNN en aprendizaje automático
  2. Casos de uso de KNN en Python
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
  1. PCA en aprendizaje automático
  2. Implementación de PCA en Python
UNIDAD DIDÁCTICA 15. RANDOM FOREST
  1. Random Forest en aprendizaje automático
  2. Casos de uso de random forest

MÓDULO 6. HERRAMIENTAS DE VISUALIZACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. 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 2. 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 3. 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 4. GOOGLE DATA
  1. Google Data Studio
UNIDAD DIDÁCTICA 5. QLIKVIEW
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
UNIDAD DIDÁCTICA 6. POWERBI
  1. Business Intelligence en Excel
  2. Herramientas Powerbi
UNIDAD DIDÁCTICA 7. CARTO
  1. CartoDB

MÓDULO 7. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2

UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
  1. Introducción a ggplot2
  2. Preparación de datos y paquetes necesarios
  3. El paquete ggplot2
  4. 4.Dataset
  5. ggplot predeterminado
UNIDAD DIDÁCTICA 2. EJES
  1. Cambiar títulos de ejes
  2. Aumentar el espacio entre ejes y títulos de ejes
  3. Cambiar la estética de los títulos de ejes
  4. Cambiar la estética del texto del eje
  5. Texto del eje de rotación
  6. Eliminar texto de eje y marcas
  7. Eliminar títulos de eje
  8. Límite del rango del eje
  9. forzar el trazado para que comience en el origen
  10. Ejes con la misma escala
  11. Usar una función para modificar etiquetas
UNIDAD DIDÁCTICA 3. TÍTULOS
  1. Añadir un título
  2. Formato y espaciado
  3. Ajustar la posición de los títulos
  4. Fuente no tradicional
  5. Espaciado de texto de varias líneas
UNIDAD DIDÁCTICA 4. LEYENDAS
  1. Quitar la leyenda
  2. Eliminar títulos de leyenda
  3. Cambiar la posición de la leyenda
  4. Cambiar la dirección de la leyenda
  5. Cambiar el estilo del título de la leyenda
  6. Cambiar título de leyenda
  7. Cambiar el orden de las claves de leyenda
  8. Cambiar etiquetas de leyenda
  9. Cambiar cuadros de fondo en la leyenda
  10. Cambiar el tamaño de los símbolos
  11. Dejar una capa fuera de la leyenda
  12. Adición manual de elementos
  13. Usar otros estilos de leyenda
UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
  1. Cambiar el color de fondo del panel
  2. Cambiar líneas de cuadrícula
  3. Cambiar el espaciado de las líneas de cuadrícula
  4. Cambiar el color de fondo de la trama
UNIDAD DIDÁCTICA 6. MÁRGENES
  1. Uso de márgenes
UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
  1. Crear una cuadrícula de múltiplos pequeños basada en dos variables
  2. Crear múltiplos pequeños basados en una variables
  3. Permitir que los ejes deambulen libremente
  4. Uso de facet_wrap con dos variables
  5. Modificar el estilo de los textos
  6. Crear un panel de diferentes parcelas
UNIDAD DIDÁCTICA 8. COLORES
  1. Especificar colores individuales
  2. Asignar colores a las variables
  3. Variables cualitativas
  4. Variables cuantitativas
  5. Modificar paletas de colores
UNIDAD DIDÁCTICA 9. TEMAS
  1. Cambiar el estilo de trazado general
  2. Cambiar la fuente de todos los elementos de texto
  3. Cambiar el tamaño de todos los elementos de texto
  4. Cambiar el tamaño de todos los elementos de línea y rectángulo
  5. Crear tu propio tema
  6. Actualizar el tema actual
UNIDAD DIDÁCTICA 10. LÍNEAS
  1. Agregar líneas horizontales o verticales a un gráfico
  2. Agregar una línea dentro de un gráfico
  3. Agregar líneas curvas y flechas a un gráfico
UNIDAD DIDÁCTICA 11. TEXTO
  1. Agregar etiquetas a los datos
  2. Agregar anotaciones de texto
  3. Usar Markdown y HTML Rendering para anotaciones
UNIDAD DIDÁCTICA 12. COORDENADAS
  1. Voltear una trama
  2. Agregar un eje
  3. Invertir un eje
  4. Transformar un eje
  5. Circularizar una parcela
UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
  1. Alternativas a un diagrama de caja
  2. Crear una representación de alfombra en un gráfico
  3. Crear una matriz de correlación
  4. Crear un gráfico de contorno
  5. Crear un mapa de calor
  6. Crear un diagrama de cresta
UNIDAD DIDÁCTICA 14. CINTAS
  1. Funcionamiento de las cintas en ggplot2
UNIDAD DIDÁCTICA 15. SUAVIZADOS
  1. Suavizado predeterminado
  2. Adición de un ajuste lineal
  3. Especificación de la fórmula para suavizar
UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
  1. Combinación de ggplot2 y shiny
  2. plot.ly a través de plotly y ggplot2
  3. ggiraph y ggplot2
  4. Highcharts a través de highcharter
  5. Echarts via echarts4r
  6. Chart.js a través de charter
  7. Comentarios, consejos y recursos adicionales

MÓDULO 8. ANALÍTICA WEB

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB
  1. ¿Qué es la analítica web?
  2. Establecimiento de objetivos y KPIs
  3. Métricas principales y avanzadas
  4. Objetivos y ventajas de medir
  5. Plan de medición
UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4
  1. Introducción a Google Analytics 4
  2. Interfaz
  3. Métricas y dimensiones
  4. Informes básicos
  5. Filtros
  6. Segmentos
  7. Eventos
  8. Informes personalizados
  9. Comportamiento de los usuarios e interpretación de datos
UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER
  1. Introducción a GTM
  2. Implementación con GTM
  3. Medición con GTM
  4. Uso de Debug/Preview Mode
UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN
  1. La atribución
  2. Multicanalidad
  3. Customer Journey
  4. Principales modelos de atribución
  5. Modelos de atribución personalizados
UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO
  1. Planificación del Dashboard
  2. Características del Dashboard
  3. Introducción a Data Studio
  4. Conectores
  5. Tipos de gráficos
  6. Personalización de informes
  7. Elementos de control
  8. Dimensiones y métricas
  9. Campos Calculados
  10. Compartir informes
UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO
  1. Introducción al SEO
  2. Historia de los motores de búsqueda
  3. Componentes de un motor de búsqueda
  4. Organización de resultados en un motor de búsqueda
  5. La importancia del contenido
  6. El concepto de autoridad en Internet
  7. Campaña SEO
UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM
  1. Introducción al SEM
  2. Principales conceptos en SEM
  3. Sistema de pujas y Calidad del anuncio
  4. Primer contacto con Google Ads
  5. Creación de anuncios con calidad
  6. Indicadores clave de rendimiento en SEM
UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES
  1. Análisis del tráfico en redes sociales
  2. Fijar objetivos en redes sociales
  3. Facebook
  4. Twitter
  5. Youtube
  6. LinkedIn
  7. Tik tok
  8. Instagram
UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS
  1. Usabilidad
  2. Mapas de calor
  3. Grabaciones de sesiones de usuario
  4. Ordenación de tarjetas
  5. Test A/B
  6. Test multivariante
  7. KPI, indicadores clave de rendimiento
  8. Cambios a realizar para optimizar una página web
UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB
  1. Hotjar
  2. Microsoft Power BI
  3. Google Search Console
  4. Matomo
  5. Awstats
  6. Chartbeat
  7. Adobe Analytics
UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO
  1. ¿Qué son las cookies?
  2. Tipos de cookies
  3. GDPR
  4. Herramientas para manejar el consentimiento de cookies

MÓDULO 9. PROYECTO FIN DE MÁSTER

Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las salidas profesionales de este Master Oficial Universitario en Data Science te permiten poder trabajar junto a los equipos directivos en la toma de decisiones como analista de mercado, digital manager, data architect, chief data officer y muchas otras profesiones emergentes. Desarrolla tu carrera profesional, adquiere una formación avanzada y amplía las fronteras en este sector.

. ¿A qué esperas para llevar a cabo tus proyectos personales?.
cursos gratuitos
21 febrero, 2023 Deja tu cometario

No se han encontrado comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

CURSOS GRATUITOS, CURSOS GRATIS, Cursos online gratuitos, Cursos gratuitos online, Cursos gratuitos para trabajadores, Cursos online gratuitos homologados, Cursos online gratuitos con certificado, Cursos gratis online, Cursos de ingles gratis, Blog de cursos gratuitos, Cursos gratuitos por provincias