Master en Big Data Analytics (Online)

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).

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

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

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

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