docenzia

Máster en Big Data Analytics (Online) - EOI - Escuela de Organización Industrial

Centro de formación

EOI - Escuela de Organización Industrial

0,0

0 opiniones /
Máster en Big Data Analytics (Online) - EOI - Escuela de Organización Industrial
Precio
10.200 €
Tipo Másters
Modalidad Online / A distancia
En Docenzia te asesoramos de forma gratuita para que escojas el mejor programa formativo que se adapte a tus necesidades y así poder mejorar tu carrera profesional. ¡Contáctanos para ayudarte!

Recibir más información

¿Cuándo contactamos contigo?


Enviando...

Máster en Big Data Analytics (Online) - EOI - Escuela de Organización Industrial

Información general

DESCRIPCIÓN:

El Máster en Big Data Analytics (Online) es una formación profesional, especialmente destinada a ofrecer contenidos actualizados relacionados con el campo del marketing digital, la preparación de datos financieros, la selección de clientes a través de modelos de propensión, y muchos otros temas más.

Se compone de un plan de estudios ofrecido por el prestigioso Centro Educativo Escuela de Organización Industrial, que posee una duración de 650 horas, mencionando que este máster sólo se encuentra disponible en modalidad online, a fines de eliminar los inconvenientes geográficos, y la incompatibilidad de horarios.
Titulación universitaria Certificado de profesionalidad

ASPECTOS A TENER EN CUENTA

OBJETIVOS DEL CURSO:

- Proporcionar conocimientos acerca del diseño de informes, la fuente y calidad de los datos, los sistemas de inteligencia de negocio, los principios del cloud computing, y el diseño y simulación de estrategias alternativas.
- Desarrollar un interesante programa de contenidos, en el cual se profundiza sobre el procesamiento paralelo, los mecanismos de explotación de la información, los contrastes de hipótesis, y el aprendizaje supervisado y no supervisado.
- Conocer sobre la formación de grupos de trabajo, la visualización de datos, la teoría de grafos, las campañas con públicos seleccionados, y la preparación de datos financieros.

¿A quién va dirigido?

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.

TITULACIÓN

Máster en Big Data Analytics por EOI.

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
VACACIONES DEL 27/07/2020 AL 30/08/2020
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.
PROYECTO FIN DE MÁSTER
- Semana Presencia Virtual
- Desarrollo del Proyecto Fin de Máster

SALIDAS PROFESIONALES

  • - Analista de Big Data
  • - Scrum Master
  • - Dirigir y gestionar proyectos TI
  • - Gerentes de negocios
  • - Director de Innovación
  • - Arquitecto en Big Data
  • - Big-Data-Driven Quality Control

TE RECOMENDAMOS VER TAMBIÉN

En los siguientes enlaces podrás ver programas formativos similares:

UBICACIONES DE NUESTRAS SEDES

Opiniones

No hay opiniones registradas para este curso