Máster en Data Science

Estas son algunas de las funciones que podrás desempeñar al especializarte en Data Science: Data Scientist, Data Analyst, Data Engineer, experto en visualización de datos, experto en arquitecturas de almacenamiento y procesamiento de datos, experto en machine learning, experto en inteligencia de negocio, Chief Data Officer (CDO), Business Analytics, Business Intelligence. A través del Máster Data Science Online adquieres los conocimientos técnicos requeridos para optar a las siguientes certificaciones: AWS Certified Data Analytics, Google Data Analytics Certificate, IBM Data Analytics Professional, Associates Certified Analytics Professional (aCAP), Professional Certification BigML Certified Engineer.

Career Readiness:

Ofrecemos a nuestros alumnos una formación integral que les prepara para el mercado laboral. A través de un itinerario personalizado, les ayudamos a desarrollar sus competencias profesionales, a establecer relaciones con empresas y a superar los procesos de selección.

Una formación alternativa:

En todos nuestros contenidos incluimos un porcentaje de Human Sciences para relacionar la tecnología con las soft skills.

Metodología Learning By Doing:

Se centra en la aplicación práctica de conocimientos y habilidades para fomentar un aprendizaje significativo y duradero.

Temario:

Plan de Estudios:

Prework:

Este Prework permite introducir conceptos en los que el programa profundizará, haciendo que el alumno se sienta cómodo desde el primer día y consiguiendo que todo el grupo tenga un nivel parejo, lo que permite avanzar más y mejor, así como mejorar la cooperación entre todos los integrantes.

Funcionamiento básico de un ordenador: Conceptos como hardware y software, CPU, memoria, dispositivos de almacenamiento, sistemas operativos y redes.

Introducción a los lenguajes de programación: Explicar qué es un lenguaje de programación, para qué sirve y los tipos de lenguajes (compilados e interpretados).Dar una visión general de los lenguajes más utilizados en la actualidad, y por qué se usan.

Conceptos fundamentales de programación: Hablar de elementos como variables, tipos de datos, operaciones, estructuras de control de flujo (if/else, bucles) y funciones.Enseñar cómo descomponer un problema complejo en subproblemas más pequeños y manejables.Contarlo todo de forma muy básica para evitar meterse en el módulo de Fundamentos de Programación (ya con python).

Herramientas de desarrollo y buenas prácticasIntroducir el uso de un IDE, como PyCharm o VSCode, así como los notebooks. Hablar sobre el control de versiones con Git.Mencionar buenas prácticas de programación, como la importancia de comentar el código y seguir convenciones de estilo (pythonic code).

Introducción a las estructuras de datos: Presentar conceptos como arrays, listas, conjuntos, diccionarios/mapas y árboles.Enfocarlo no dentro de un lenguaje de programación específico, más a nivel de pseudocódigo también. El objetivo es que los estudiantes comprendan qué son, para qué se utilizan y cuándo podría ser apropiado utilizar una estructura de datos sobre otra.
Conceptos fundamentales de bases de datos: Explicar qué es una base de datos, para qué se utiliza y qué tipos existen (por ejemplo, bases de datos relacionales y no relacionales).Introducir conceptos clave como tabla, registro, campo, clave primaria y relaciones entre tablas.

Las herramientas del científico de datos 50h.:

Revisión de los conceptos claves de programación necesarios para abordar el tratamiento y aprovechamiento de los datos mediante código. Introducción al lenguaje de programación R y amplia presentación de las capacidades que ofrece Python.

Fundamentos de Python y librerías para ciencia de datos: Numpy, Pandas
Python intermedio y avanzado
Procesamiento de datos y visualización con Python

Inteligencia de Negocio y Visualización 80h.:

En este módulo aprenderemos qué son las bases de datos y los principales tipos que existen. Entraremos en el mundo del modelado de las bases de datos relacionales y aprenderemos a programar en SQL. Ademas, estudiaremos qué son los procesos ETL y cómo se diseñan e implementan.

Diseño de base de datos
Estándar SQL I
Estándar SQL II
El almacén de datos / Datawarehouse y Herramientas y procesos de extracción, transformación y carga ETL"

La ciencia de datos. Técnica de análisis, minería y visualización 80h.:

En esta asignatura repasaremos el ciclo de vida del dato y cómo afecta en el proceso a de análisis de los datos. Además, nos introduciremos en el mundo de la visualización de datos, dónde aprendemos a diseñar dashboards en PowerBI.

Ciclo de vida y calidad del dato
Preparación y pre proceso de datos
Herramientas y técnicas de visualización I
Herramientas y técnicas de visualización II

Impacto y valor del Big Data 80h.:

Este módulo tiene como finalidad conocer el análisis big data como herramienta para abordar temas sustantivos y preguntas de investigación. Aprenderás qué se entiende por big data, su evolución en el contexto histórico, entender las causas que han llevado a la aparición de las tecnologías big data y compararlo con la inteligencia de negocio tradicional.

Introducción al mundo del Big Data
Inteligencia de Negocio vs. Big Data
Tecnologías Big Data
Valor del dato y aplicaciones por sectores

Tecnología y Herramientas Big Data 80h.:

Conocer y utilizar las herramientas que componen el ecosistema para el manejo de gran cantidad de datos. Entre estos, está Spark, Hadoop o las BBDD NoSQL.

HADOOP y su ecosistema
SPARK
Bases de datos NOSQL
Plataformas CLOUD

Estadística para el científico de datos 80h.:

En este módulo aprenderás los fundamentos de Programación en R, un lenguaje de programación para estadística. En paralelo, se introducirán los principales conceptos estadísticos que son esenciales para el análisis de datos.

Introducción a la estadística
Probabilidad y muestreo
Inferencia y regresión lineal
Diseño de experimentos

Inteligencia Artificial: Machine Learning y Deep Learning 64h.:

Aprender los conceptos y algoritmos fundamentales en una de las piezas angulares de la ciencia de datos y la inteligencia artificial, el denominado “aprendizaje automático”.

Herramientas para machine learning y técnicas y aplicaciones del aprendizaje supervisado
Técnicas y aplicaciones del aprendizaje no supervisado
Modalidades y técnicas de deep learning
Soluciones en la nube para machine learning

Capstone Project 50h.:

Trabajo final del Máster en el que se pone en práctica todo lo aprendido aplicándolo a un caso real y sobre datos conectados con el mundo profesional. Se realiza en la parte final del plan de estudios, con carácter obligatorio, y bajo la supervisión del tutor asignado. Además, este trabajo implica una defensa ante un tribunal que debe ser superada.

* El programa académico puede estar sujeto a cambios en función de la diferente variedad en la demanda de skills dominantes del mercado. Nuestro objetivo es tu empleabilidad.

Profesorado:

Mónica Villas - Directora de Data Science & IA

Ex-ejecutiva de IBM con 25 años de experiencia en tecnologías de la información. Actualmente trabaja en consultoría tenológica y docencia. Apasionada de las nuevas formas de enseñar, aprender y experta en Inteligencia Artificial y Machine Learning

Alejandro Echeverría Rey - Director Académico

Doctorado en Computer Science, experto en Machine Learning y Algoritmos Bioinspirados. Fue CTO y Head of Advanced Analytics en una consultora internacional y cuenta con una experiencia de más de 12 años en docencia e investigación científica de alto impacto.

Duración:

600 horas. 11 meses | 2 Sesiones semanales de clases en directo.

Fechas:

Fecha de inicio: Marzo 2025

Online con clases en directo