Master en Data Science and Business Discovery

» Enmarque dentro de las funciones corporativas.

» Ejemplos de casos de uso según sector.

• ¿Qué es un data scientist?

• Metodología de gestión de proyectos de Big Data.

• Uso legal que puede hacerse de los datos.

• Tratamiento, integración y gobierno de los datos corporativos.

• Análisis de calidad de la información: data quality.

02. BIG DATA INSIGHTS - BUSINESS ANALYTICS

INTRODUCCIÓN

• ¿Por qué programamos? La programación del Siglo XXI.

• Posicionamiento SW: SAS, R, Python.

• Introducción a las BBDD estructuradas/SQL.

PROGRAMACIÓN EN R

• Introducción a R:

» Historia.

» Instalación y uso básico (R-Studio).

» Paquetes de R relevantes (Cran).

• Programación básica en R:

» Vectores.

» Matrices.

• Programación avanzada en R:

» Condicionales.

» Bucles.

• Manipulación de datos avanzada:

» Importación y exportación de datos.

• Acceso a BBDD: Oracle / Microsoft SQL Server / MySQL.

• Data gathering con R.

PROGRAMACIÓN EN PYTHON

• Introducción a Python.

• Entorno de desarrollo IPython.

• Librerías relevantes.

03. ESTADÍSTICA

• Fundamentos estadísticos.

» Muestreo.

» La distribución normal y exponencial.

• Estadística I (SAS).

» Estadísticos básicos.

» ANOVA.

» Análisis de regresión lineal simple y múltiple.

» Análisis de residuos.

» Test de independencia.

» Introducción a la regresión logística.

• Forecasting con “R”.

» Series temporales.

» Smoothing model.

» Modelos: ARIMA, ARIMAX, ARCH, GARCH...

04. DATA MINING & MACHINE LEARNING

• Analítica aplicada usando SAS Enterprise Miner (SAS):

» Introducción al data mining.

» Árboles de decisión.

» Regresiones logísticas.

» Redes neuronales (MLP).

» Comparación de modelos y threshold óptimo.

» Corrección del sobreajuste, introducción a las matrices de beneficios/costes.

» Puesta en producción.

» Análisis clúster.

» Market basket analysis.

• Machine learning con R:

» Implementación de modelos predictivos en R (CARET + H20).

• Técnicas avanzadas de machine learning con R:

» Gradient boosting.

» Random forest.

» SVM.

» LARS & LASSO.

» Introducción al deep learning.

• Text mining:

» Introducción: conceptos básicos y metodología.

» Modelos supervisados y no supervisados.

05. VISUALIZACIÓN

• Uso del Data Science en periodismo de datos:

» Elementos a tener en cuenta.

» Recolectar datos.

» Encontrar y contar tu historia.

» Ejemplos de uso: Washington Post, New York Times, The Guardian, El Confidencial.

• Visualizando y comunicando datos en R:

» Gráficos (base, lattice, ggplot2, leaflet, plotly, ggvis...).

» Mapas con R (integración con Google Maps y Open Street Maps).

» Generación de informes con R Markdown.

» Visualizaciones web con R-Shiny.

• Qlik – Taller práctico.

• Tableau – Taller práctico.

06. ARQUITECTURAS BIG DATA

• Arquitectura de Big Data: componentes y casos de uso.

• Introducción a Hadoop y su ecosistema.

• Spark.

• Desarrollo de aplicaciones con Spark.

• Bases de datos NoSQL.

» Procesamiento de información no estructurada con MongoDB.

07. DESARROLLO E INTEGRACIÓN DE UN PROYECTO DE DATA SCIENCE

Durante el máster, a lo largo de los diferentes módulos, cada alumno irá trabajando en diferentes casos prácticos al tiempo que va desarrollando su Proyecto Final de Máster. Será en este último bloque en el que cada alumno tendrá la oportunidad de aplicar todos los conocimientos adquiridos mediante la aplicación/desarrollo estratégico de la utilización de los datos en un caso para una empresa real. Resulta crítico que el alumno desarrolle su Proyecto Final de Máster de acuerdo a modelos de negocio reales.

Duración:

400 horas

Fechas:

Fecha de inicio: Abril y Noviembre.