Máster en Big Data Analytics

EOI Escuela de Organización Industrial

Descripción

Vivimos un mundo globalizado donde la disrupción digital está provocando la generación de datos procedentes de múltiples fuentes (dispositivos móviles, sensores IoT, logs, RR.SS, sistemas transaccionales, Open Data, etc.) que necesitan de profesionales capaces de extraer el valor que éstos ocultan para generar beneficios (económicos, sociales y/o ambientales).
El Máster en Big Data Analytics tiene como misión responder a esta creciente demanda de formación cualificada en las diferentes áreas de una organización.
A través de este programa, conocerás en profundidad la gestión de la estrategia basada en datos, las tecnologías Business Intelligence y Big Data, las herramientas de visualización líderes en el mercado y la analítica de datos avanzada y desarrollarás las habilidades necesarias para adquirir una combinación de capacidades única en las áreas de Data Science, Business Analytics y Big Data management.

Temario

Bloque 1. Introducción y estrategia
Fundamentos de business intelligence
  • Definición, Componentes y Tipología de Sistemas de Inteligencia de Negocio.
  • Contextualización y Diseño de Sistemas de Inteligencia de Negocio.
  • Diseño de Informes, Cuadros de Mando e Indicadores.
  • Fuentes y Calidad de los Datos.
  • El business case de una iniciativa de inteligencia de negocio
Herramientas auxiliares – parte 1
  • Herramientas auxiliares: Instalación y gestión de máquinas virtuales con VirtualBox, Amazon Workspaces y uso de la línea de comandos en un entorno Linux.
  • Introducción a las bases de datos relacionales:
  • Nociones básicas del modelo relacional: Modelo conceptual, modelo lógico y modelo físico.
  • Introducción a SQL:
  • DDL
  • DML
  • DCL
Analítica en la nube: modern bi
  • Cloud computing y el impacto que ha tenido en la revolución del Big Data
  • Poner los almacenes de datos en el panorama actual y el porqué de su importancia
  • Opciones cloud en los entornos profesionales
  • Taller de modelización, integración y explotación de datos en la nube
Estrategia y gestión basada en datos
  • Fundamentos de la dirección estratégica. La información como base del análisis estratégico
  • Análisis del entorno competitivo, sectorial y particular para toma de decisiones. La inteligencia competitiva.
  • Definición de la estrategia: Diseño y simulación de estrategias alternativas
  • Implantación y seguimiento de la estrategia. Definición de indicadores clave (KPI's).
Bloque 2. Integración de datos
Herramientas auxiliares – parte 2
  • El lenguaje de programación Python.
  • El entorno Jupyter Notebook.
  • Librerías para el análisis de datos: Numpy, Pandas, y Matplotlib.
  • Introducción a XML y JSON como formatos de datos usando Python.
Tecnologías de almacenamiento escalable
  • Introducción a las bases de datos NoSQL: origen, evolución y contexto histórico
  • Persistencia poliglota: escoger el modelo de datos más adecuado para cada problema.
  • Modelos de Agregación: características, tipos (clave-valor, documental y orientado a columnas) consideraciones de diseño y casos de uso.
  • Modelos en grafo: características, consideraciones de diseño y casos de uso.
  • Sistemas distribuidos: definición, tipos (cliente/servidor, peer-to-peer…), estrategias de distribución (fragmentación y replicación) y consistencia de datos (ACID vs BASE).
  • Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.
Paralelización de datos. Hadoop
  • Procesamiento paralelo y ecosistema hadoop.
  • Procesamiento paralelo bajo arquitectura hadoop. MapReduce.
  • Mecanismos de explotación de la información en entornos distribuidos hadoop.
Procesamiento distribuido con apache spark
  • Framework de computación en cluster Apache Spark
  • Spark SQL
  • Spark Streaming
  • Spark MLib
Bloque 3. Explotación de datos. Analítica avanzada
Estadística con r
  • Introducción a la estadística: Análisis y descripción de datos
  • Contrastes de hipótesis
  • Estimación de intervalos de confianza
  • Entrenamiento con R
Introducción al aprendizaje automático
  • Aprendizaje supervisado y no supervisado.
  • Clustering y clasificación. Técnicas y medidas de calidad.
  • Herramientas de aprendizaje automático, visualización.
  • El ciclo de la minería de datos.
Sistemas recomendadores de productos
  • Introducción a los sistemas de recomendación
  • Sistemas de recomendación clásicos: "El carrito de la compra"
  • Sistema de recomendación personalizados
  • Caso de uso real.
PLN. Minería de texto
  • Comprender los fundamentos teóricos, las técnicas y las aplicaciones prácticas del PLN
  • Manejar de forma práctica distintas librerías y herramientas de NLP (NLTK, Brad, Gate)
  • Implementar de forma básica distintas soluciones NLP (Análisis de Sentimiento, Text Mining de datos web, Asistente Virtual)
Chatbots y asistentes virtuales
  • Estado del arte en chatbots y altavoces inteligentes
  • Posibilidades actuales y plataformas disponibles
  • Creando un chatbot con DialogFlow
Teoría de redes neuronales. Deep learning
  • Entendimiento del modelo matemático de una red neuronal
  • Conocer las diversas arquitecturas de redes neuronales
  • Poder implementar modelos de regresión y clasificación de manera práctica
  • Entender el algoritmo de backpropagation para entrenar redes neuronales
  • Comprender las diferencias entre machine learning y deep learning
  • Uso de los lenguajes de programación R y Python para implementar modelos de redes neuronales
Metodología de proyectos
  • Ideas modelos de negocio
  • Formación de grupos de trabajo
  • Asignación tutores
Bloque 4. Explotación de datos. Visualización
Visualización de datos
  • Fundamentos de la visualización de datos
  • Visualizando datos con PowerBI
Teoría de grafos: análisis de redes
  • Fundamentos para el estudio, medida e investigación de redes sociales
  • Tratamiento, visualización y análisis de grandes redes
  • Herramientas de visualización de redes sociales
Geovisualización de datos y storytelling
  • Introducción a los SIG (Sistemas de información Geográfica)
  • Herramientas de tratamiento de datos: QGis, PostgreSQL
  • Capas cartográficas y principales operaciones geométricas
  • Creación de un proyecto GIS, como base de una Visualización de datos
Bloque 5. Casos de uso
Adquisición de datos en tiempo real
  • Introducción y conceptos básicos
  • Arquitectura general de un proyecto IoT
  • Plataformas IoT y Big Data
  • Ejemplos y casos de uso
Caso analítica de clientes
  • Location Analytics: Concepto y aplicaciones
  • El valor de la ubicación
  • Aplicación en el análisis de resolución de un problema de negocio
  • Casos prácticos y trabajo individual de aplicación de Location analytics en un caso práctico
Caso analítica de marketing
  • Aplicación al Marketing Digital
  • Campañas con públicos seleccionados
  • Selección de Clientes mediante Modelos de Propensión
Caso analítica en el sector agroalimentario
  • Introducción de la tecnología aplicada en el sector
  • Aplicación del IoT, gamificación, etc. en la operativización
  • Análisis de datos predictivos para la toma de las decisiones
Caso analítica financiera
  • Conceptos financieros y de riesgos
  • Aplicación práctica de BI y BIGDATA a la visión financiera/riesgos
  • Obtención y preparación de datos financieros y de riesgos              
  • Modelos estadísticos para maximizar el RAR (Rentabilidad ajustada al Riesgo) y para inferir el riesgo de operaciones financieras.
Módulo empleabilidad
  • Análisis y situación del mercado laboral
  • Herramientas para la búsqueda de empleo en entorno nacional e internacional
  • Autoanálisis y gestión de habilidades y competencias
  • Desarrollo del CV y carta de motivación
  • LinkedIn: perfil, networking, búsqueda de ofertas y marca personal
  • Entrevistas de trabajo y otras pruebas de selección
Proyecto fin de máster
  • Semana Presencia Virtual
  • Desarrollo del Proyecto Fin de Máster

Competencias para las que te prepara el curso

Trabajar como responsable de proyectos de Analytics: Data Analyst, Data Scientist o Business Analyst Aprender a medir y evaluar indicadores clave del negocio en todas sus áreas, aplicando métodos analíticos. Saber diseñar arquitecturas y soluciones para problemas de big data que aporten valor a la organización. Saber aplicar modelos analíticos y predictivos a situaciones de negocio que requieren un tratamiento avanzado. Entender el papel de los diferentes modelos de bases de datos on-premise y Cloud y los usos de éstas para analizar y visualizar patrones y tendencias.

Destinatarios

Dirigido a: 
  • Titulados superiores en Telecomunicaciones, Informática, Física, Matemáticas, ... 
  • Para otras titulaciones se valorará conocimiento y experiencia previos en programación de alto nivel, estadística, lenguaje SQL, ...

Metodología

La metodología EOI te aportará todos los elementos necesarios para reproducir en un entorno real tu paso por la escuela. El Master en Big Data Analytics se desarrolla con metodología online, que garantiza la misma calidad docente que el formato presencial, con un enfoque flexible e innovador que rompe con las barreras geográficas y la incompatibilidad de horarios.

Titulación obtenida

Máster en Big Data Analytics

Promociones

En EOI queremos ayudarte a que logres tus retos profesionales con la mejor formación del mercado. Para ello, te ofrecemos una serie de becas y ayudas económicas que facilitarán tu acceso a los programas de tu interés. 

Precio

7140 €
Precio Original: 10.200 euros; Precio bonificado: 7.140 euros (Descuento 30% #eoiteayuda COVID-19)

Profesorado

Ramón Alberto Carrasco Senior Data scientist in Marketing - Banco Mare Nostrum Valvanera Castro Senior Innovation Consultant - Talenmo Jordi Conesa Profesor - Universitat Oberta de Catalunya
Sí, me interesa
conocer todos los detalles, precios, becas, fechas y plazas disponibles
Máster en Big Data Analytics
También te recomendamos estos cursos
Temas relacionados
X