¡ME INTERESA!

Máster Propio en Big Data y Data Science

Centro de formación

Instituto Forymat

0,0

0 opiniones /
Ofrecido por:
Precio
5.900€
Tipo Másters
Modalidad Online / A distancia
¿Tienes dudas? Te las resolvemos sin compromiso:

Solicita más información sin compromiso

Puedes rellenar este formulario y nos pondremos en contacto contigo

¿Cuándo contactamos contigo?


Enviando...

Información general

DESCRIPCIÓN:

Al día se envían más de 200 millones de email, se realizan 2 millones de búsquedas en Google, se comparten más de 700.000 publicaciones en Facebook o se editan 100 horas de video en YouTube. Resumidamente, en un único día se generan más datos de los que han existido en los últimos 20 años

No cabe duda de que el Data Science & Big Data es una de las profesiones con más futuro, teniendo un aumento del 122% en la demada de profesionales en ofertas de empleo.

Con este Máster en Big Data y Data Science, el alumno aprenderá a implementar y utilizar todas las herramientas que requiere un Data Science. Además, conocerá el uso de herramientas fundamentales como Spark y Hadoop, el uso de distintas bases de datos SQL y NoSQL, al igual que herramientas para implementar redes neuronales, machine learning y deep learning, sin dejar de lado herramientas en Cloud, de análisis y control.

Este Máster en Big Data y Data Science ha sido desarrollado y es impartido por expertos de grandes organizaciones que cuentan con una experiencia y trayectoria destacada en el ámbito del Big data.

Bonificable Titulación universitaria Prácticas

ASPECTOS A TENER EN CUENTA

OBJETIVOS DEL CURSO:

  • Realización de casos reales, usando técnicas Data Science.
  • Alcanzar un conocimiento elevado en data digital y cisualización de datos.
  • Saber extraer información relevante partiendo del uso de técnicas de Data Science.
  • Realizar un web scraping eficiente.
  • Aprender a emplear algoritmos como Deep Learning, Redes Neuronales y Machine Learning.
  • Obtener avanzados conocimientos de programación en Python y en R.
  • trabajar en Mongo DB, Hadoop, SQL y Spark.
  • Mejorar la eficiencia del tiempo usando metodologías como Scrum o Agile

¿A quién va dirigido?

  • Ingenieros/graduados en, telecomunicaciones informática, e industriales.
  • Licenciados/graduados en física, matemáticas, estadística y química como titulaciones de ingreso preferente.
Se valorará también el acceso de alumnos que no posean una titulación universitaria que tengal al menos 2 años de experiencia en áreas de Business Analytics, business intelligence, etc.

UBICACIONES DE NUESTRAS SEDES

Máster Propio en Big Data y Data Science se imparte en las siguientes sedes:

TE RECOMENDAMOS VER TAMBIÉN

En los siguientes enlaces podrás ver Másters similares:

TEMARIO

1. Herramientas de big data
1.1. Almacenamiento de grandes volúmenes de datos: data mark¸ data lakes¸ definición de big data, SQL, NoSQL y procesamiento escalable: Hadoop, MapReduce y Spark
1.2. Herramientas en cloud: servicios en la nube. Diferencias entre las IaaS, PAAS, SaaS. Google Cloud, Azure Amazon Web Services
1.3. Monitorización y control. Control de versiones: Git o SVVN. Ventajas e inconvenientes de utilizar GitHub. Alternativas a GitHub
1.4. Herramientas de análisis: programación en R y programación en Python
1.5. Herramientas de visualización: Power BI y Power Query (Microsoft Office Excel), Qlik y Tableau

2. Fundamentos de Estadística
2.1. Introducción a la Estadística: concepto de Estadística. conceptos básicos: población, muestra, variable estadística ...
2.2. Estadística Descriptiva Unidimensional: Distribución de frecuencias, métodos gráficos, tablas estadísticas. Medidas de posición, dispersión, forma y concentración. Gráficos.
2.3. Estadística Descriptiva Bidimensional: Distribución de frecuencias bidimensionales. Tablas estadísticas de doble entrada. Métodos gráficos.
2.4. Regresión y Correlación: Línea general de regresión. Correlación. Regresión no-lineal. Correlación entre atributos. Coeficiente Sperman, Kendall y Chi-cuadrado.
2.5. Introducción al Cálculo de Probabilidades: Azar y probabilidad. Definiciones y propiedades. Probabilidad condicionada e independencia. Teorema de Bayes y probabilidad total.

3. Gestión de datos y datos digitales
3.1. Digital data: fuentes de datos externas oficiales (INE, EUROSTAT...)
3.2. Google Analytics. Social anatlytics: Hootsuite, Twitter analytics y Facebook insights
3.3. Web scrapping. Uso de correo basura
3.4. Data management. Gobierno de los datos. Ética y leyes
3.5. Data cooking. Preparación de los datos: selección, transformación y codificación
3.6. Data discovery: creación de nuevas métricas (KPI, insights), discretización de variables
3.7. Data quality. Técnicas avanzadas de detección de outliers, valores missing, imputación
3.8. Muestreo probabilístico, aleatorio, estratificado y sistemático

4. Técnicas avanzadas de minería de datos
4.1. Análisis multivariante: estimación, contraste de hipótesis e intervalos de confianza
4.2. Análisis de componentes principales (PCE) y factorial
4.3. Análisis discriminante: elección de variables (forward, backward¸ stepwise)
4.4. Análisis clúster: algoritmos de clasificación jerárquica y no jerárquica
4.5.  Distribuciones. Gauss. Teorema Central de Límite  

5. Técnicas avanzadas de predicción
5.1. Preparación de tablero de modelización. Modelos supervisados vs. modelos no supervisados
5.2. Técnicas para mejorar un modelo: training validation y cross validation
5.3. Regresión lineal y regresión logística
5.4. GLM (modelo lineal general). Ridge y PLS
5.5. Series temporales

6. Técnicas de Machine Learning
6.1. Classification algorithms: árboles de decisión
6.2. K-nearest neighbors
6.3. Modelo probabilístico: Bayes
6.4. Random forest
6.5. Boosting
6.6. Bagging
6.7. Adaboost

7. Técnicas avanzadas de Machine Learning
7.1. Redes neuronales (neural networks – NN)
7.2. Support vector machine (SVN)
7.3. Deep learning
7.4. Técnicas de machine learning en imágenes y videos
7.5. Modelos de sentimientos (computación sobre texto, redes sociales, etc.)

8. Gestión de proyectos
8.1. Herramientas para la gestión de clúster
8.2. Validación del modelo: verificación p-values en regresiones; test de bondad de ajuste; R-cuadrado, MSE, BIC, AIC
8.3. Test discriminate: curva ROC, curva lift, Gini index. Jackknifing y bootrstrapping
8.4. Diagnóstico de los residuos. Prueba de estabilidad y validación con prueba ciega
8.5. Implementación del modelo: metodología para garantizar una solución viable
8.6. Mantenimiento y actualización. Uso del modelo y requerimientos de implementación. Monitorizar el rendimiento y la efectividad de los modelos implementados
8.7. Aportar análisis que faciliten la toma de decisiones y desarrollos futuros
8.8. Gestión de proyectos: planificación de un proyecto
8.9. Metodología agile y metodología scrum

9. Trabajo final de máster

SALIDAS PROFESIONALES

  • Desarrollador de aplicaciones multimedia
  • Científico de datos
  • Analista de Big Data

Opiniones

No hay opiniones registradas para este curso