Master en Data Science y Big Data - IEBS Business School

• Adquirir las técnicas más actuales del procesamiento paralelo en entornos Big Data
• Aprender todo lo necesario sobre programación sobre Python, R y entornos de almacenamiento para poder operar con datos masivos
• Conocer los fundamentos del Machine Learning y los tipos de algoritmos más utilizados dentro del Aprendizaje Supervisado y No Supervisado, así como su aplicación en entornos reales
• Saber cuáles son los distintos tipos de redes neuronales y sus usos más habituales en entornos reales

Módulo 1. Introducción a los lenguajes de programación

• Fundamentos de Python
• Python avanzado
• Fundamentos de R

Módulo 2. Matemáticas y estadística en el tratamiento de datos

• Matemática analítica
• Estadística descriptiva
• Estadística inferencial

Módulo 3. Sistemas y servicios de Almacenamiento

• Fundamentos de SQL y Querys básicas
• SQL Server Integration Services SSIS
• SQL Analysis Services SSAS y SQL Server Reporting Services SSRS

Módulo 4. Entornos Datawarehouse

• Tipos y arquitectura de un Data Warehouse vs Data Lake
• Fundamentos de Azure. Azure Data
• Fundamentos de AWS

Módulo 5. Entorno Distribuido para Big Data

• Fundamentos y herramientas del ecosistema Hadoop
• El modelo MapReduce de procesamiento
• Sistema de ficheros distribuidos HDFS

Módulo 6. Arquitecturas distribuidas Big Data

• Arquitectura Batch y Streaming. Arquitectura Lambda
• Gestión de recursos: YARN
• Herramientas del ecosistema Hadoop: Hive

Módulo 7. Procesamiento de datos a gran escala: Spark

• Configuración y map reduce en Spark
• PySpark: Creación BD, SparkContext, Spark streaming
• PYSpark: RDDs: Ejecución en Paralelo, Datos Externos, Partición de Datos, Creación de Ficheros, Reducebykey, sortbykey, countingkeys

Módulo 8. Otras acciones de procesamiento de datos

• Text mining: limpieza texto, TF-Idf, wordcloud
• Web Scrapping
• Visualización de datos

Módulo 9. Fundamentos de IA y Machine Learning

• Introducción a la IA y Machine Learning
• Algoritmos de regresión y métricas
• Ecosistemas de Machine Learning en la nube

Módulo 10. Aprendizaje supervisado I

• Clasificación binaria, multiclase y métricas. Curva ROC
• Clasificación con Naive Bayes
• Clasificación con Support Vector Machine SPV

Módulo 11. Aprendezaje supervisado II

• Regresión y clasificación con árboles de decisión
• Combinación de clasificadores: Boostrapping, bagging y boosting
• Regresión y clasificación on random forests

Módulo 12. Aprendizaje NO Supervisado

• Algoritmos de agrupamiento: Kmedias y jerárquico
• Técnicas de detección de anomalías
• Aprendizaje por refuerzo y control

Módulo 13. Redes neuronales y deep learning

• Entrenamiento: Gradient descent, SGD, Backpropagation
• Frameworks de Deep Learning: TensorFlow
• Unidad activación, met. inicialización, optimizadores, met. regularización

Módulo 14. CNN, GAN y otras redes neuronales

• CNN: Layers y arquitecturas (Alexnet, VGG...)
• CNN: Entrenamiento con Data augmention y transfer learning
• GAN, GNN y RNN: Redes Generativas Antagónicas , Graph Neural Networks y Recurrent Neural Networks

Módulo 15. Sistemas de recomendación

• Personalización guiada por IA y datos. Filtrado colaborativo
• Recomendaciones basadas en contenido, contexto e híbridas
• Aplicaciones, tendencias y retos de los sistemas de recomendación

Módulo 16. Procesamiento del Lenguaje Natural

• Modelos lógicos de PLN
• Modelos Probabilísticos de PLN
• Uso de la PLN

Proyecto de Fin de Master