Máster en Big Data Online o Presencial - IMF Smart Education

- Proporcionar conocimientos acerca de los fundamentos de la programación en python, el análisis exploratorio de datos, las tecnologías de internet, la probabilidad e inferencia estadística, el aprendizaje automático, y los modelos supervisados y no supervisados.
- Desarrollar un completo programa de contenidos, en el cual se profundiza sobre los modelos conexionistas, las reglas de asociación, los fundamentos de la visualización de datos, y los principios de la inteligencia de negocio.
- Conocer sobre la gestión de equipos, las metodologías ágiles, las bases de datos no convencionales, la regresión logística, y los recursos repositorios.

Todos los alumnos que superen con éxito este Máster online conseguirán las siguientes titulaciones:
- Máster en Big Data por la Universidad Nebrija.
- Máster en Big Data y Business Analytics por IMF Smart Education.
Adicionalmente, también podrán conseguir el:
- Título del Curso de Metodologías Ágiles: Scrum Master por IMF Smart Education

MÓDULO I
- Fundamentos de tratamiento de datos para Data Science
- Uso de máquinas virtuales y shell de comandos.
- Fundamentos de programación en Python.
- Fundamentos de bases de datos relacionales.
- Fundamentos de tecnologías de Internet.
- Compartir datos, código y recursos en repositorios.
- Fundamentos de tratamiento de datos con el stack científico de Python..
- Importante: este módulo es introductorio o de nivelación, destinado a la adquisición de las competencias esenciales para la programación estadística, el manejo de bases de datos y el uso de la virtualización, además de otras competencias generales que son necesarias en el resto de los módulos.
MÓDULO II
- Modelos y Aprendizaje Estadístico
- Lenguaje R y tratamiento de datos.
- Análisis exploratorio de datos.
- Probabilidad e Inferencia estadística.
- Modelos lineales y aprendizaje estadístico.
- Regresión logística, modelos restringidos de ridge y lasso y gradiente descendiente.
- GLMS y series temporales.
MÓDULO III
- Aprendizaje Automático Aplicado (Machine Learning)
- Introducción al aprendizaje automático.
- Modelos supervisados.
- Modelos no supervisados.
- Ingeniería de características y selección de modelos.
- Modelos conexionistas (Redes neuronales y Deep Learning)
- Reglas de asociación y market basket analysis.
MÓDULO IV
- Minería de Texto y Procesamiento del Lenguaje Natural (PLN)
- Introducción histórica y tecnológica.
- Herramientas pln I: NLTK
- Herramientas de PLN II: Brat y Gate.
- Text mining I: clustering.
- Text mining II: sentimiento y temas.
- Otras aplicaciones y técnicas de PLN.
MÓDULO V
- Inteligencia de Negocio y Visualización
- Introducción a la inteligencia de negocio.
- Almacenes de datos y bases de datos analíticas.
- Herramientas de extracción, transformación y carga.
- Aplicaciones de business intelligence.
- Fundamentos de visualización de datos.
- Herramientas de visualización.
MÓDULO VI
- Infraestructura Big Data
- Procesamiento de datos con Hadoop.
- Herramientas Hadoop.
- Procesamiento de datos con Spark.
- Arquitecturas de streaming.
- Componentes de arquitecturas de streaming.
- Plataformas y Apis en la nube
MÓDULO VII
- Almacenamiento e Integración de Datos
- Bases de datos no convencionales: Introducción a las herramientas NoSQL
- Modelos de base de datos basados en documentos: Prácticas con MongoDB
- Modelos de base de datos basados en columnas: Prácticas con Casandra
- Modelos de base de datos basados en grafos: Prácticas con Neo4j
- Modelos de base de datos basados en clave-valor: Prácticas con Redis
- Adquisición de datos: Ingesta con Flume con Kafka
MÓDULO VIII
- Valor y Contexto de la Analítica Big Data
- El business case de Big Data.
- Proyectos de Big Data.
- Aplicaciones analíticas por sectores.
- Tecnologías emergentes en analítica.
- Gestión de equipos y métodos ágiles.
- Aspectos regulatorios del tratamiento de datos.
MÓDULO IX
- Aplicaciones Analíticas. Casos prácticos
- Este módulo se presenta mediante seminarios que pretenden ayudar al estudiante a escoger una especialización profesional. Los temas corresponderán a contenidos centrados en la analítica de datos, aplicada a diferentes dominios y áreas de negocio.
MÓDULO X
- Trabajo Fin de Máster
CURSO I
- Curso de Metodologías Ágiles
- Introducción a las metodologías ágiles
- Introducción a Scrum
- Roles y responsabilidades
- Eventos de un proyecto Scrum
- Artefactos de Scrum
- Métricas y estimaciones
- Herramientas Colaborativas
CURSO II
- Curso de iniciación a Python
- Introducción a Python
- Condicionales en Python
- Estructuras repetitivas en Python
- Colecciones y listas
- Funciones de cadenas
- Colecciones y diccionarios
- Manejo de ficheros
- Orientación a objetos
CURSO III
- Curso de iniciación a R
- Introducción a R.
- Vectores
- Matrices
- Listas
- Data-frames
- Estructuras de control.
- Funciones
COMPLEMENTOS I
- Recursos audiovisuales complementarios
- Casos de estudio:
- Analítica financiera
- Analítica de clientes: location analytics
- Analítica escalable
- Analítica en redes sociales
- Pasos necesarios para realizar un EDA (Análisis de Datos Exploratorio)
- Introducción a Pandas
- Presentación de la unidad Gestión de equipos y métodos ágiles
- Introducción a las metodologías ágiles
- Inteligencia artificial y nuevo orden mundial
- El gobierno del dato