¿Qué quieres aprender?

Máster en Data Science & Business Intelligence

Máster en Data Science & Business Intelligence

IEBS

Máster online


6.700

Duración : 10 Meses

¿Quieres hablar con un asesor sobre este curso?

Objetivos

Conocer las técnicas más actuales del procesamiento paralelo en entornos Big Data Adquirir los conocimientos necesarios de programación sobre Python, R y entornos de almacenamiento para poder operar con datos masivos Aprender 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 Conocer los distintos tipos de redes neuronales y sus usos más habituales en entornos reales

A quién va dirigido

Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial Profesionales vinculados fuertemente con la tecnología que tengan por objetivo la especialización en Big Data y Machine Learning Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología Estadísticos y Matemáticos que quieran desarrollar su carrera en el mundo del Científico de Datos para Marketing

Requisitos

Para cursar uno de nuestros programas deberás poseer una titulación universitaria o experiencia equivalente demostrable.

Temario completo de este curso

En el momento de formalizar tú matrícula accederás al módulo previo de preparación donde entrenaremos tu capacidad de "aprender a aprender" en nuestra plataforma, junto con las habilidades clave para el profesional digital, fundamentales durante el transcurso del programa.

  • Habilidades Digitales
  • Productividad: Organización y Gestión del Tiempo
  • Pensamiento Crítico y Creatividad (Ética)
  • Actitud Emprendedora

Módulo 1. Introducción a los lenguajes de programación

  • Fundamentos de Python
  • Python avanzado
  • Fundamentos R
  • Proyecto: Análisis de un dataset público de la copa mundial de fútbol

Módulo 2. Fundamentos de IA y Machine Learning

  • Introducción a la IA y Machine Learning
  • Algoritmos de regresión. Evaluación y métricas
  • Ecosistemas de Machine Learning en la nube
  • Proyecto: Análisis predictivo del precio de la vivienda

Módulo 3. Matemáticas y estadística en el tratamiento de datos

  • Matemática analítica
  • Estadística descriptiva
  • Estadística inferencial
  • Proyecto: Conocimiento de usuarios y Sistema Recomendador en una plataforma de streaming de películas

Módulo 4. Aprendizaje supervisado I

  • Clasificación binaria, multiclase y métricas. Curva ROC
  • Clasificación con Naive Bayes
  • Clasificación con Support Vector Machine (SVM)
  • Proyecto: Evaluación del estado de salud de un bebé durante el parto

Módulo 5. Sistemas y servicios de Almacenamiento

  • Bases de Datos Relacionales
  • Fundamentos de SQL
  • Bases de datos NOSQL
  • Proyecto: Análisis del impacto de los anuncios de TV en las visitas a la página web del anunciante.

Módulo 6. Aprendizaje supervisado II

  • Clasificación con KNN, regresión logística y softmax
  • Regresión y clasificación con árboles de decisión
  • Combinación de clasificadores: ensembles y random forests
  • Proyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleado

Módulo 7. Entornos Datawarehouse

  • Tipos y arquitectura de un Data Warehouse vs Data Lake
  • MongoDB Atlas
  • Fundamentos de Azure y AWS
  • Proyecto: Diseño e implementación de la automatización de una infraestructura sobre AWS

Módulo 8. Aprendizaje NO Supervisado

  • Reducción de dimensionalidad en los datos: PCA
  • Algoritmos de agrupamiento: K Medias y jerárquico
  • Técnicas de detección de anomalías
  • Proyecto: PCA y CLUSTERING utilizando Python

Módulo 9. Arquitecturas distribuidas Big Data

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

Módulo 10. Redes neuronales y Deep Learning

  • Hitos del Deep Learning y fundamentos de las redes neuronales
  • Frameworks de Deep Learning: TensorFlow
  • Ajuste de modelos de Deep Learning
  • Proyecto: Análisis donde se aplican técnicas de Deep Learning

Módulo 11. Procesamiento de datos a gran escala I: Hadoop

  • Extracción, Transformación y Carga de datos
  • Fundamentos y herramientas del ecosistema Hadoop
  • Gestión de datos Streaming
  • Proyecto: Desarrollo de una aplicación de ingesta y análisis de datos

Módulo 12. Redes Neuronales Convolucionales (CNNs)

  • Fundamentos de las CNNs: kernels, convolución, pooling, etc.
  • Modelos pre-entrenados: Transfer Learning y Fine-Tuning
  • Deep Learning en producción
  • Proyecto: Análisis de un problema de clasificación de imágenes con Deep Learning

Módulo 13. Procesamiento de datos a gran escala I: Spark

  • Introducción a Spark y programación en batch sobre RDDs
  • Spark SQL, Dataframes y GraphX
  • Spark Streaming y MLlib
  • Proyecto: Procesamiento en Streaming de un Modelo de ML con Spark Streaming y MLlib

Módulo 14. Sistemas de recomendación

  • Personalización creada por datos
  • Filtrado Colaborativo
  • Aplicaciones, tendencias y retos de los sistemas de recomendación
  • Proyecto: Implementando un algoritmo de SR con la librería Surprise de Python

Módulo 15. Otras acciones de procesamiento de datos

  • Procesos ETL con Python
  • Web Scraping
  • Servicios Web y APIs
  • Proyecto: Extracción y análisis de reviews de películas mediante web scraping

Módulo 16. Procesamiento del Lenguaje Natural

  • Introducción al Procesamiento del Lenguaje Natural
  • Modelos Probabilísticos de NLP y Métodos de Aplicación
  • NLP – Modelos y Algoritmos
  • Proyecto: Investigación detallada de un caso de estudio de NLP

Módulo 17. Global Project

Ver más