MÁSTER EN BIG DATA


DATOS CLAVE

Modalidad:

Online

Duración y Horario:

1.500 h = 60 créditos ECTS

Fechas de inicio:

Cada 15 días

Metodología:

Clases Teórico – Prácticas
Contenido online – Campus Virtual. Seminarios. Visitas Empresas

idiomas:

7 idiomas: (Inglés, Francés, Italiano,Alemán,Chino, Español y Neerlandés).

Ubicación:

Campus presencial de EUDE Business School.

DESCRIPCIÓN

El Máster en Big Data es la herramienta que te permitirá adquirir los conocimientos técnicos para obtener información a través del análisis de datos. Esta información te permitirá desarrollar estrategias corporativas basadas en el comportamiento del cliente para customizar los servicios según sus preferencias.

La transformación digital que está experimentando el mundo de la empresa obliga a optimizar los procesos  internos de forma que puedan adaptarse a los nuevos tiempos, sin importar la empresa, ni el sector ya que son todos los que deberían analizar los datos para obtener los mayores beneficios.

El análisis de datos, como prioridad en las empresas, contribuye a la transformación digital global, ya que la cantidad de datos que se mueven en el mundo actual es numerosísima, empezando por las redes sociales, y terminando por las transacciones de intercambio de datos en todos los ámbitos empresariales.

ENTIDAD COLABORADORA DE LA UNIVERSIDAD CAMILO JOSÉ CELA

EUDE Business School es entidad colaboradora de la prestigiosa Universidad Camilo José Cela, una institución que cuenta con un amplio reconocimiento nacional e internacional, posicionada como una de las mejores universidades privadas de España.

Esta alianza representa una oportunidad única para potenciar la proyección académica y la empleabilidad de los estudiantes de EUDE Business School, quienes podrán acceder, adicionalmente, a un título de la Universidad Camilo José Cela.

 

PROGRAMA DE ESTUDIOS

1. Introducción a las nuevas oportunidades comerciales de la inteligencia artificial y a la profesión de científico de datos: Metodología CRISP-DM

Visión general del marco competitivo actual de los vendedores de sistema de ML. Visión general del mercado español con la demanda de diferentes perfiles. Estudio en profundidad de la metodología de trabajo más usada.

2. Lenguajes de programación necesarios para el desarrollo del trabajo: Introducción a R y a Python

Entorno Open Source para trabajar con ML con la correcta instalación de las dos grandes opciones. Instalación de las principales librerías de trabajo y primeros ejercicios básicos.

3. Dominio de los entornos de trabajo habituales: Rstudio, Jupyter notebook, Colab-reserach, Rapid-Miner, Knime y H2O

Instalación en los equipos de los entornos más usados, compatibles con R y Python, en la profesión de ML para explorar las ventajas y desventajas de cada uno y que están evolucionando continuamente. Realización de ejercicios prácticos.

4. Fundamentos de estadística descriptiva e inferencial. Primeros algoritmos: ANOVA y ANCOVA

Estudio básico de los conceptos estadísticos fundamentales y necesarios para comprender todo el trabajo de ML. Descripción e inferencia. Visiones frecuentista y bayesiana. Programación e interpretación de los primeros problemas.

5. Visualización de datos (1): Power-BI

Exploración básica de datos, como primer paso a la resolución de problemas de ML, en el entorno gratuito interactivo que ofrece Microsoft.

6. Visualización de datos (2): Power-BI integrado con R

Exploración avanzada de datos, integrando las posibilidades interactivas con toda la programación en R.

7. Técnicas de reducción de variables

Técnicas básicas de Big Data encaminadas a obtener variables más sintéticas y manejables con la menor reducción de información posibles. Se explican técnicas sobre variables numéricas y categórica.

8. Aprendizaje por refuerzo

Técnica novedosa de inteligencia artificial basada en que el algoritmo debe maximizar una recompensa, teniendo en cuenta que los errores restan y los aciertos suman.

9. Modelos no predictivos (1): Clustering

Conjunto de técnicas muy usadas en marketing con la segmentación de mercados y que tratan de encontrar en una serie de nichos, un conjunto de elementos, con el máximo parecido interno y la máxima diferencia externa.

10. Modelos no predictivos (2): Reglas de asociación

Técnicas de estudio de relaciones de valores en variables categóricas y que es muy usada en los supermercados para analizar las diferentes cestas de la compra y mejorar así las ofertas a los clientes para incrementar la facturación.

11. Modelos predictivos (1): árboles de decisión

Técnica básica de predicción sobre la que se han construído muchos otros algoritmos que hoy día están triunfando en los diferentes concursos de científicos de datos. Proporciona modelos muy intuitivos de entender y muy potentes.

12. Modelos predictivos (2): knn, naive-bayes, SVM

Algoritmos básicos que usan otras aproximaciones distintas de las de los árboles y que dan muy buenos resultados en la práctica, aplicándose muchos de sus conceptos a técnicas avanzadas de exploración de datos dentro de los proyectos de Business Intelligence.

13. Modelos predictivos (3): algoritmos ensamblados tipo bagging: random forest

Elaboración de conjuntos de algoritmos para mejorar los algoritmos individuales puliendo sus defectos, mediante la técnica de la votación de resultados.

14. Modelos predictivos (4): algoritmos ensamblados tipo boosting: adaboosting y xgboosting

Otra familia de algoritmos ensamblados que intenta pulir los defectos individuales poniendo un énfasis especial en corregir los errores que se van cometiendo. Son actualmente los algoritmos de moda en los concursos.

15. Modelos predictivos (5): regresión y regresión logística

Técnica básica de relación funcional de variables y que intenta predecir según ecuaciones explícitas. Son muy utilizadas en Econometría y su interpretación de cara a los clientes, es muy clara.

16. Fundamentos de redes neuronales y Deep Learning (1)

Generalización de los conceptos de regresión, elaborando una red de relaciones funcionales en los que entran en juego muchas variables predictoras intermedias, por lo que se acusa a estos modelos de ser “cajas negras”. Muy aplicados en inteligencia artificial para problemas muy complejos.

17. Fundamentos de redes neuronales y Deep Learning (2)

Profundizar en todas las posibilidades que ofrecen las redes neuronales para la resolución de todo tipo de problemas generales de las empresas, y que no tienen que ver con las aplicaciones específicas y que se estudian separadamente.

18. Aplicaciones del Deep Learning (1): Imágenes

Aplicaciones del DL al reconocimiento de imágenes.

19. Aplicaciones del Deep Learning (2): Lenguaje natural

Aplicaciones del DL al tratamiento de textos y comprensión del lenguaje natural.

20. Aplicaciones del Deep Learning (3): Otras aplicaciones comerciales

Otras aplicaciones comerciales del DL: conversión automática de textos , tratamiento de videos, etc.

21. Fundamentos de series temporales

Muy usadas en econometría para la previsión de precios fluctuantes, las series temporales se estudian para previsión de fenómenos en el tiempo teniendo en cuenta su estacionalidad y tendencia.

22. Extracción de información de diferentes fuentes. Tratamiento y limpieza

Tareas que implican cerca del 60% del trabajo de un proyecto de ML y que se pueden automatizar con la ayuda de diferentes herramientas y técnicas.

23. Técnicas de interpretación de modelos

Tareas necesarias y que muchas veces se especifican por contrato a la hora de entregar un modelo, de cara a su implementación.

24. Técnicas de presentación de conclusiones: Power-BI

Tareas de presentación final de todo el proyecto con técnicas para extraer las diferentes Best-Practices que puedan establecerse.

VENTAJAS DE ESTUDIAR ESTE MÁSTER

CRECIMIENTO PERSONAL

Formación en una profesión de futuro con alta empleabilidad

EVOLUCIÓN TECNOLÓGICA

Participarás en la transformación digital de la empresa.

HABILIDADES PROFESIONALES

Serás un experto en la aplicación de la analítica de datos en la estrategia empresarial.

VISION 360º DE LA EMPRESA

Conocimiento global de la organización y de la aplicación de los datos que se generan y tratan en las empresas.

METODOLOGÍA

Lametodología de trabajo desarrollada en EUDE Business School está basada en el Método del Caso. Una formación eminentemente práctica es la mejor base para que el estudiante adquiera los conocimientos, aptitudes y experiencias que la
empresa precisa. Los casos desarrollados en cada área de conocimiento son casos de éxito que ofrecen al estudiante un amplio margen para el análisis y la discusión.

El aula con grupos reducidos o el Campus Virtual EUDE , plataforma líder a nivel europeo serán los foros más adecuados para que los estudiantes puedan compartir sus opiniones y reflexiones sobre cada alumno.

El programa de estudios ha sido confeccionado bajo la supervisión y asesoramiento de empresas referentes en el sector, así como de un claustro formado por directivos y exdirectivos de compañías multinacionales y nacionales (Telefónica, Deloitte,
DHL, Inchaersa, Geindesa, Debebé o Drommer Consulting).

Durante toda la duración del programa el estudiante dispondrá de un Tutor personalizado y de un continuo feed-back por parte de los profesores, que permitirá al estudiante conocer en todo momento sus puntos de mejora y fortalezas.

CAMPUS VIRTUAL

EUDE Business School ofrece una formación flexible con una metodología online de calidad y adaptada a las necesidades de los alumnos y al entorno laboral en el que desarrollarán su carrera profesional. Por este motivo, y gracias a su innovador método académico basado en un Campus Virtual, el cual ha sido reconocido como uno de los mejores y más importantes en el ámbito europeo, EUDE Business School es líder en la formación online.

La plataforma favorece la formación de profesionales a nivel global, sin que existan las barreras espacio-temporales habituales de la metodología presencial. De esta manera, nuestro alumno puede disfrutar de las siguientes ventajas:

  • Flexible y ajustado a tu ritmo profesional y de aprendizaje.
  • Comunicación directa y tutores especializados.
  • Metodología online para facilitar el aprendizaje.
  • Contenidos propios. Materiales exclusivos elaborados por docentes expertos en cada materia.

CLAUSTRO DESTACADO EUDE DIGITAL


MARÍA DÍAZ

MARÍA DÍAZ

Country Manager de Doppler

ERIC WESTLAND DÍEZ

ERIC WESTLAND DÍEZ

Mobile Marketing Manager de Google

FRANCESC FARRÁS

FRANCESC FARRÁS

Sales Manager Spotify España

MIKEL DÍEZ PARRA

MIKEL DÍEZ PARRA

Cognitive Customer Experience Lead en IBM

JAVIER BORREGO

JAVIER BORREGO

Entertainment Sales Manager en Vizz Agency

JOAQUÍN LÓPEZ GALLO

JOAQUÍN LÓPEZ GALLO

International Business Development Manager

JUAN ANTONIO TORRERO

JUAN ANTONIO TORRERO

Big Data & Blockchain Innovation Leader en Orange

CARLOS VIERA

CARLOS VIERA

Director del Máster en Marketing Digital

#EUDEdigitalpartners

#EUDEtalks

En EUDE Business School queremos acercar la innovación y las nuevas tendencias del mercado a nuestros alumnos.

Por ello, como complemento a la formación de posgrado ofrecemos conferencias y eventos con líderes de empresas a nivel internacional que les permiten ampliar sus conocimientos y enriquecer su Networking desde el primer día.

Miguel Puyalto

Trade Marketing PlayStation

Francesc Farràs

Account Director Spotify

RELLENA LOS CAMPOS Y ENVÍA TU SOLICITUD