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.
MÓDULO EMPLEABILIDAD
- Análisis y situación del mercado laboral
- Herramientas para la búsqueda de empleo en entorno nacional e internacional
- Autoanálisis y gestión de habilidades y competencias
- Desarrollo del CV y carta de motivación
- LinkedIn: perfil, networking, búsqueda de ofertas y marca personal
- Entrevistas de trabajo y otras pruebas de selección
PROYECTO FIN DE MÁSTER
- Semana Presencia Virtual
- Desarrollo del Proyecto Fin de Máster