Máster Big Data & Business Analytics - CEUPE - Centro Europeo de Postgrado y Empresa

- Proporcionar conocimientos acerca de las herramientas analíticas y nociones básicas del big data, el procesamiento de datos en streaming, los lenguajes de programación, los entornos de desarrollo, y el análisis exploratorio de datos.
- Desarrollar un interesante temario de contenidos, en el cual se profundiza sobre la evaluación de la calidad del dato, el desarrollo de algoritmos de inteligencia artificial, el aprendizaje no supervisado, y el procesamiento del lenguaje natural.
- Conocer sobre el almacenamiento de datos, los tipos de lineage, la gobernanza y el cumplimiento normativo, los desafíos de la gestión, y el análisis de riesgos.

- Máster Data Science, expedido por el Centro Europeo de Postgrado (Centro Oficial de la Asociación Española de Escuelas de Negocios)
60 ECTS
- Professional Certificate - Big Data Analytics Expert

HERRAMIENTAS ANALÍTICAS Y NOCIONES BÁSICAS DE BIG DATA
FUNDAMENTOS BÁSICOS DE BIG DATA
- ¿Qué es? Múltiples definiciones. Poner énfasis en que los mismos datos se convierten en big data en función de lo que se quiera hacer con ellos. Ejemplo: 100M registros, hacer una media = no big data, entrenar un modelo complejo = big data.
- Principio de funcionamiento: MapReduce. Ejemplos clásicos para entender el concepto (contar palabras en un texto, etc.).
- Framework Open Source para computación distribuida. Basado en el whitepaper de Google sobre MapReduce de 2004 y GFS (Google File System). Orientación a Cloudera.
- Concepto de Data Lake.
- Concepto ETL, ELT.
- La importancia del metadato y el data governance para la analítica.
- Los Datalabs en un modelo de integración analítica con el Data Lake y el Gobierno del dato.
- Plataformas de Servicios en la nube (Cloud Services).
INFRAESTRUCTURA BIG DATA
- Hadoop: Almacenamiento y procesamiento distribuido.
- Herramientas de obtención de datos: Sqoop, Flume y Nifi.
- Motores de consulta SQL:
- Hive e impala:
- Principio de funcionamiento.
- Sintaxis y funciones propias de HiveQL e Impala.
- Procesamiento de datos “in-memory”:
- Introducción y principio de funcionamiento.
- DataFrames & Spark SQL.
- Interfaces:
- Web (Hue, Ambari, Cloudera Manager).
- Bases de datos NoSQL:
- Hbase, Cassandra, MongoDB y Neo4J.
- Procesamiento de datos en Streaming.
INTRODUCCIÓN A LA CIENCIA DE DATOS
- Definición e historia de la Ciencia de Datos.
- Aplicaciones típicas por sector y casos de éxito reales.
- Principales perfiles en el mundo Data: Data Engineer, Data Scientist, Data Analyst.
- Errores comunes de las empresas al desarrollar proyectos de Data Science y cómo evitarlos.
- Entorno de trabajo de un Data Scientist: principales herramientas, tecnologías, lenguajes de programación y entornos de desarrollo.
ESTUDIO Y MODELADO DEL DATO
ANÁLISIS INICIAL DEL DATO
- Análisis exploratorio de los datos.
- Localización de datos atípicos y métodos de detección de outliers y valores extremos.
- Obtención de estadísticos descriptivos.
- Evaluación de la calidad del dato.
- Tipologías de datos: categóricos, numéricos, ordinales, temporales (fechas).
- Caso práctico: evaluación de un dataset real propuesto por los profesores.
EL MODELO DE DATOS EN TRES CAPAS
- Capa Raw: ingesta de datos en crudo.
- Capa Master: principales filtros y agregaciones sobre los datos.
- Capa de Consumo: limpieza final y feature engineering para consumo en dashboards y modelos de IA.
VISUALIZACIÓN
- Tipos de visualizaciones de datos y cuándo usar cada tipo de visualización.
- Principales librerías open source para visualización, con sus ventajas e inconvenientes:
- matplotlib y seaborn: principales librerías de visualización estática.
- Plotly: librería para visualización dinámica.
- Business Intelligence:
- Herramientas de reporting (Tableau y Microsoft Power BI).
- Ejercicio práctico: realización de un dashboard con Power BI.
INTELIGENCIA ARTIFICIAL
- Metodología para el desarrollo de algoritmos de Inteligencia Artificial:
- Sesgo y Varianza.
- Conjuntos de entrenamiento, validación y test.
- Validación cruzada (cross-validation).
- Algoritmos de Inteligencia Artificial:
- Aprendizaje supervisado:
- Modelos lineales.
- Modelos basados en árboles de decisión.
- Redes Neuronales (Deep Learning).
- Clasificación y Regresión.
- Aprendizaje no supervisado:
- Clusterización.
- Detección de anomalías.
- Procesamiento del Lenguaje Natural.
- Visión Artificial.
GOBIERNO DEL DATO
- Gestión de datos
- Cómo desarrollamos , ejecutamos y supervisamos los planes , políticas, programas y prácticas que permiten entregar, controlar, proteger e incrementar el valor de los datos durante su ciclo de vida.
- Conceptos esenciales
- Ética en el manejo del dato
- Gobierno de datos (Data Governance) y Arquitectura de datos
- Qué datos tenemos, dónde residen y cómo se pueden utilizar
- Conceptos esenciales,actividades y herramientas.
- Arquitectura, modelo y diseño del dato.
- Conceptos esenciales, actividades y herramientas.
- Gestión de metadatos (Metadata Management)
- Datos que hablan de datos, describen el contenido de los archivos o de su información de los mismos
- Conceptos esenciales.
- Tipos, fuentes y arquitectura de Metadatos
- Almacenamiento de datos y Operaciones :
- Conceptos esenciales, herramientas y técnicas.
- Tiempo de vida de los datos.
- Data Security:
- Medidas de protección de la privacidad digital que se aplican para evitar el acceso no autorizado a los datos.
- DSA (Data Sharing Agreement). Seguridad en base a contratos de uso (Compliance).
- Integración con los sistemas Legacy de seguridad y servicios en las empresas
- Integración de los procesos existentes en una plataforma para que pasen a estar gobernados.
- Reglamentos de protección del dato.
- Roles típicos dentro de los procedimientos de gobierno:
- Quién es quién en el gobierno del dato
- Artefactos a controlar. DSA, Datasets, Procesos
- Uso de los datos
- ¿Cómo se están usando los datos? ¿Quién los usa?
- Analítica semántica de los datos de mayor interés para anticipar necesidades futuras de datos.
- Data lineage. datos y procesos:
- De dónde vienen los datos y donde se mueven en el tiempo
- Tipos de lineage: estático, semi dinámico, dinámico y de negocio.
- Data Quality:
- Asegurar que los datos sean exactos, íntegros, confiables , relevantes y actualizados están.
- Ciclo de vida de los datos.
- Ciclo de vida de la calidad del Dato.
- Perfilado de los datos.
- Roles de la calidad del dato.
- Data Quality y Data Governance.
- Diccionario de datos.
- Cómo utilizar el conjunto de definiciones que contiene las características de los datos. ENRIQUECIMIENTO DEL METADATO
- Aprovechar las sinergias en cuanto a la existencia de un Diccionario en la empresa.
- Aprovechar las sinergias en cuanto a la existencia de Modelos de Datos en la empresa.
- Data Governance en la nube
- Dónde y cómo poner en práctica todo lo aprendido de Data Governance
- Plataformas
- Características y servicios de gobernanza.
- Soluciones
GESTIÓN DE PROYECTOS BIG DATA Y ANALÍTICOS
- Introducción en la gestión de proyectos Big Data y Analíticos.
- Cuáles son los principales desafíos y riesgos de un Proyecto de Big Data y Analíticos.
- Cómo organizar, estructurar y desplegar un Proyecto de Big Data:
- Etapas
- Riesgos
- Metodologías
- Claves para el éxito y desafíos de la gestión.
- Cómo organizar, estructurar y desplegar un proyecto de Analítica:
- Etapas: implementación y automatización. ML Operations. Feature Stores.
- Riesgos: reproducibilidad de modelos y predicciones. Drifting.
- Diagnóstico (referencia incorrecta - repetida). Error Analysis.
- Gobernanza y cumplimiento normativo.
- Claves para el éxito y desafíos de la gestión.
- Optimización y elaboración de Plan de Desarrollo de proyecto (PDP).
- Cultura y Metodologías Ágiles: Nuevas capacidades y Roles, metodologías LEAN: Scrum y Kanban. Etapas y entregables.
- Adaptación de las metodologías ágiles a los proyectos de Analítica.
- Operatividad en los proyectos: despliegue, orquestación, integración continua y entrega continua.
- Aciertos y errores en los casos de uso de Big Data y Analiticos.
- Claves para el éxito de un proyecto de Big Data y Analiticos.
CASOS DE USO Y TRABAJO FIN DE MÁSTER
- Casos de uso.
- Trabajo fin de máster.