Las herramientas del científico de datos
1. Fundamentos de Python
2. Librerías para ciencia de datos: Numpy, Pandas, etc.
3. Procesamiento de datos y visualización con Python
4. Fundamentos de R
5. Paquetes de R
6. Procesamiento de datos y visualización con R
La ciencia de datos. Técnicas de análisis, minería y visualización
1. El ciclo de vida del dato
2. Calidad del dato
3. Preparación y preproceso de datos
4. Modelos analíticos
5. Herramientas y técnicas de visualización
3 Estadística para científicos de datos
1. Lenguaje y tratamiento de datos
2. Análisis exploratorio de datos
3. Probabilidad e inferencia estadística
4. Modelos lineales y aprendizaje estadístico
5. Regresión logística, modelos restringidos de Ridge y Lasso y gradiente

Aprendizaje automático
1. Herramientas para machine learning
2. Técnicas y aplicaciones del aprendizaje supervisado
3. Técnicas y aplicaciones del aprendizaje no supervisado
4. Modalidades y técnicas de deep learning
5. Soluciones en la nube para machine learning
Inteligencia artificial para la empresa
1. Introducción a la inteligencia artificia
2. Técnicas y aplicaciones para la toma de decisiones
3. Aprendizaje por refuerzo y aplicaciones
4. Técnicas y aplicaciones del procesamiento del lenguaje natural (NLP)
5. Sistemas de recomendación y aplicaciones
Tecnología y herramientas Big Data
1. Hadoop y su ecosistema
2. Spark. Fundamentos y aplicaciones
3. Bases de datos NoSQL
4. Plataforma Cloud

Máster en Data Science
• Máster en Data Science por IMF Smart Education
• Máster en Data Science por la Universidad Católica de Ávila
• Certificación profesional por Indra (Enseñanza que no conduce a la obtención de un título con valor oficial).

El trabajo del científico de datos: pasos y técnicas en el análisis. Storytelling
1. Introducción: conceptos de data science
2. Pasos en el análisis de datos
3. Storytelling: poner en valor y transmitir los resultados del análisis
El proceso de aprendizaje automático: qué es y qué no es. Dónde aplicar la inteligencia artificial
1. Concepto de aprendizaje automático
2. Cómo conseguir que siga aprendiendo
3. Casos de uso típicos
Nuevas tendencias: process mining, MLOPs, cloud
1. Process mining
2. Cloud
3. MLOps
10 Trabajo de fin de máster (TFM )