Master de Formación Permanente Data Science y Análisis de Datos + 60 Créditos ECTS
MATRICULACIÓN
Entidad:
Duración total:
1500 h.
Teleformación:
450 h.
Modalidad:
Online
Precio: 1970 €
Bonificable hasta el 100%
Créditos
60 ECTS
SOLICITAR INFORMACIÓN
DESCRIPCIÓN
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.
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.
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 dirigido a una variedad muy amplia de
perfiles con titulación universitaria 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.
perfiles con titulación universitaria 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.
La metodología INESEM Business School, ha sido diseñada para acercar el aula al alumno dentro de la formación online. De esta forma es tan importante trabajar de forma activa en la plataforma, como necesario el trabajo autónomo de este. El alumno cuenta con una completa acción formativa que incluye además del contenido teórico, objetivos, mapas conceptuales, recuerdas, autoevaluaciones, bibliografía, exámenes, actividades prácticas y recursos en forma de documentos descargables, vídeos, material complementario, normativas, páginas web, etc.
A esta actividad en la plataforma hay que añadir el tiempo asociado a la formación dedicado a horas de estudio. Estos son unos completos libros de acceso ininterrumpido a lo largo de la trayectoria profesional de la persona, no solamente durante la formación. Según nuestra experiencia, gran parte del alumnado prefiere trabajar con ellos de manera alterna con la plataforma, si bien la realización de autoevaluaciones de cada unidad didáctica y evaluación de módulo, solamente se encuentra disponible de forma telemática.
El alumno deberá avanzar a lo largo de las unidades didácticas que constituyen el itinerario formativo, así como realizar las actividades y autoevaluaciones correspondientes. Al final del itinerario encontrará un examen final o exámenes. A fecha fin de la acción formativa el alumno deberá haber visitado al menos el 100 % de los contenidos, haber realizado al menos el 75 % de las actividades de autoevaluación, haber realizado al menos el 75 % de los exámenes propuestos y los tiempos de conexión alcanzados deberán sumar en torno al 75 % de las horas de la teleformación de su acción formativa. Dicho progreso se contabilizará a través de la plataforma virtual y puede ser consultado en cualquier momento.
La titulación será remitida al alumno por correo postal una vez se haya comprobado que ha completado el proceso de aprendizaje satisfactoriamente.
Por último, el alumno contará en todo momento con:
Claustro Docente
Ofrecerá un minucioso seguimiento al alumno, resolviendo sus dudas e incluso planteando material adicional para su aprendizaje profesional.
Comunidad
En la que todos los alumos de INESEM podrán debatir y compartir su conocimiento.
Material Adicional
De libre acceso en el que completar el proceso formativo y ampliar los conocimientos de cada área concreta. Podrá encontrarlo en Revista Digital, INESEM y MasterClass INESEM, puntos de encuentro entre profesionales que comparten sus conocimientos.
SE DESARROLLARÁN LOS SIGUIENTES CONTENIDOS
- ¿Qué es Big Data?
- La era de las grandes cantidades de información: historia del big data
- La importancia de almacenar y extraer información
- Big Data enfocado a los negocios
- Open Data
- Información pública
- IoT (Internet of Things - Internet de las cosas)
- Diagnóstico inicial
- Diseño del proyecto
- Proceso de implementación
- Monitorización y control del proyecto
- Responsable y recursos disponibles
- Calendarización
- Alcance y valoración económica del proyecto
- ¿Qué es Data Science?
- Historia del Data Science
- ¿Qué función tiene un Científico de datos?
- Data Science vs Big Data. Principales diferencias
- Hadoop
- Pig
- Hive
- Sqoop
- Flume
- Spark Core
- Spark 2.0
- Fundamentos de Streaming Processing
- Spark Streaming
- Kafka
- Pulsar y Apache Apex
- Implementación de un sistema real-time
- Hbase
- Cassandra
- MongoDB
- NeoJ
- Redis
- Berkeley DB
- Lucene + Solr
- Arquitectura Lambda
- Arquitectura Kappa
- Apache Flink e implementaciones prácticas
- Druid
- ElasticSearch
- Logstash
- Kibana
- Amazon Web Services
- Google Cloud Platform
- Administración e Instalación de clusters: Cloudera y Hortonworks
- Optimización y monitorización de servicios
- Seguridad: Apache Knox, Ranger y Sentry
- Herramientas de visualización: Tableau y CartoDB
- Librerías de Visualización: D, Leaflet, Cytoscape
- ¿Qué es una base de datos NoSQL?
- Bases de datos Relaciones Vs Bases de datos NoSQL
- Tipo de Bases de datos NoSQL: Teorema de CAP
- Sistemas de Bases de datos NoSQL
- ¿Qué es MongoDB?
- Funcionamiento y uso de MongoDB
- Primeros pasos con MongoDB: Instalación y shell de comandos
- Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
- Actualización de datos en MongoDB: Sentencias set y update
- Trabajando con índices en MongoDB para optimización de datos
- Consulta de datos en MongoDB
- ¿Qué es Hadoop? Relación con Big Data
- Instalación y configuración de insfraestructura y ecosistema Hadoop
- Sistema de archivos HDFS
- MapReduce con Hadoop
- Apache Hive
- Apache Hue
- Apache Spark
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
- Una aproximación a Pentaho
- Soluciones que ofrece Pentaho
- MongoDB & Pentaho
- Hadoop & Pentaho
- Weka & Pentaho
- Introducción
- La Analítica Web: Un reto cultural
- ¿Qué puede hacer la analítica web por ti o tu empresa?
- Glosario de Analítica Web
- La analítica web en la actualidad
- Definiendo la analítica web
- El salto a la analítica web moderna
- Identificar los factores críticos
- Otros factores que convienen medir
- Las macro y microconversiones
- Medir el valor económico
- Sitios sin comercio: valores a medir
- Medición de sitios BB
- Introducción
- La usabilidad Web
- Pruebas Online y a Distancia
- Las encuestas
- Definición de KPIs
- KPI, CSF y metas
- Principales KPIS
- Ejemplos de KPIS
- Supuesto práctico: Cálculo de KPI con Excel
- Introducción
- Recopilar datos de Inteligencia Competitiva
- Análisis del tráfico de sitios web
- Búsquedas
- Introducción
- La nueva web social y como medir datos
- Las aplicaciones
- Analizar el comportamiento desde el móvil
- Analizar el rendimiento de los vídeos
- Análisis de Blogs
- Coste y beneficios de escribir en un blog
- Nuestro impacto en Twitter
- Métricas para Twitter
- La calidad de los datos
- Obtener datos válidos
- ¿En qué basarnos para la toma de decisiones?
- Beneficios de análisis multicanal
- Segmentación en base al comportamiento
- Predicción y minería de datos
- Rumbo a la analítica inteligente
- Concepto de web semántica
- Linked Data Vs Big Data
- Lenguaje de consulta SPARQL
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Computing
- Aspectos legales en Protección de Datos
- Introducción
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL: Una base de datos relacional
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
- Introducción a Python
- ¿Qué necesitas?
- Librerías para el análisis de datos en Python
- MongoDB, Hadoop y Python: Dream Team del Big Data
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
- Definición de KPIs
- KPI, CSF y metas
- Principales KPIS
- Ejemplos de KPIS
- Supuesto práctico: Cálculo de KPI con Excel
- Introducción a los cuadros de mando y dashboard
- Estrategias para la creación de un cuadro de mando
- Dashboard en Excel o Google Analytics
- Aplicaciones gratuitas
- Aplicaciones propietarias
- Nociones básicas
- Concepto de DataWareHouse
- Aplicación
- Elementos
- Data Warehouse en la nube
- Datamart
- DataMart: Componentes
- Base de datos central
- Creación de Cubos
- Transformación, extracción y carga
- Discoverer Administrador
- MOLAP, ROLAP & HOLAP
- Sistema de Soporte a la Desición (DSS)
- Sistemas de Información Ejecutiva (EIS)
- Cliente y Servidor
- Discoverer Desktop
- Minería de datos
- ¿Qué podemos hacer con data Mining?
- ¿Qué usos puede tener el data Mining?
- Metodología de la minería de datos
- Algunas técnicas estadísticas utilizadas en data mining
- Árboles de decisión
- Reglas de inducción
- Redes Bayesanas
- Algoritmos Genéticos
- Ciclo data mining
- Minería de Textos y Web Mining
- Data mining y marketing
Titulación de Formación Continua Bonificada expedida por el Instituto Europeo de Estudios Empresariales (INESEM). 
Doble Titulación:
- Titulación Propia Universitaria de Master de Formación Permanente Data Science y Análisis de Datos expedida por la Universidad Antonio de Nebrija con 60 créditos ECTS.
- Titulación propia de Master de Formación Permanente Data Science y Análisis de Datos , expedida y avalada por el Instituto Europeo de Estudios Empresariales.(INESEM) “Enseñanza no oficial y no conducente a la obtención de un título con carácter oficial o certificado de profesionalidad.”
Este curso bonificado pertenece al sistema de Formación Programada de INESEM Business School. Se tramita con cargo a un crédito formativo asignado a las empresas privadas españolas para la formación de sus trabajadores sin que les suponga un coste. Para tramitar este curso de formación programada es necesario:
- Estar trabajando para una empresa privada.
- Encontrarse cotizando en el Régimen General de la Seguridad Social
- Que el curso seleccionado esté relacionado con el puesto de trabajo o actividad principal de la empresa.
- Que la empresa autorice la formación programada
- Que la empresa disponga de suficiente crédito formativo para cubrir el coste del curso
Master de Formación Permanente Data Science y Análisis de Datos + 60 Créditos ECTS
Duración total:
1500 h.
Teleformación:
450 h.
Modalidad:
Online
Precio: 1970 €
Bonificable hasta el 100%
Créditos
60 ECTS
MATRICULACIÓN
MATRÍCULA ONLINE
Master de Formación Permanente Data Science y Análisis de Datos + 60 Créditos ECTS
