At Home
5 Meses / 240 Horas
Septiembre 2025
Con el Máster en Data Science & Big Data asentarás las bases de la ciencia de los datos, desde el pre-procesamiento de los datos hasta los principales algoritmos de análisis predictivo. Usarás Tensorflow, Numpy, Prophet, Spark, Pandas, Keras… además de estadística y Python para poder trabajar con datasets.
¿Por qué Data Science?
- Nº1 Data Scientist es la demanda de trabajo número 1 en el mayor portal de empleo especializado y seguirá en esa posición en los próximos años.
Fuente: Glassdoor.
- Según LinkedIn, se ha producido un aumento del 650% en los puestos de trabajo de la ciencia de los datos desde 2012.
Fuente: LinkedIn.
Algunas de las salidas profesionales que estarán
a tu alcance:
- Data Scientist
- Data Analyst
- Data Engineer
- Business Analyst
- Machine Learning Expert
Módulo 1: Máster en Data Science & Big Data
- Data Science Fundamentals: Introducción a conceptos fundamentales de Data Science. Presentación del marco de referencia general.
- Statistics for Data Science: Fundamentos de estadística necesarios para dominar la ciencia de los datos. Estadística descriptiva, contraste de hipótesis, etc.
- Data Science with Python: Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, HSQL, Logs) y no estructuradas (Web, Spark, Cassandra).
- Data Pre-processing: Pre-procesar adecuadamente datos. Aplicación de filtros, anonimización de datos, selección de atributos, sampling y reducción de dimensionalidad.
- Data Visualization: ¿Cómo visualizar diferentes tipos de datos? ¿Qué técnicas utilizar? Uso de Matplotlib, Bokeh y Seaborn entre otras.
- Advanced Data Processing: Tratamiento de fuentes de datos. Arquitecturas de procesamiento en batch y streaming. Bases de datos (estructuradas y no estructuradas)
- Predictive Analytics: Análisis de series temporales, revisión de los mejores algoritmos. Desarrollo de casos de uso de detección de anomalías y predicción de series.
- Machine Learning I: Introducción a los problemas de clasificación y clusterización. ¿Cómo evaluar los resultados? ¿Cómo construir los datasets? Revisión de los principales algoritmos y su aplicación.
- Big Data Fundamentals: Análisis de arquitecturas y modelos de adopción con las tecnologías actuales, incluyendo procesos de ingesta, análisis y visualización de datos.
- Entrepreneurship I: Perspectiva global del proceso de creación, financiación y posibles éxitos de una startup. Herramientas para proyectos de emprendimiento.
- Machine Learning Ops: Se estudiará el ciclo de MLOps de manera práctica, tanto a nivel de desarrollo como a nivel de modelos en producción.
- Final Project: Creación de tu proyecto en grupo de ciencia de datos aplicado a la temática de tu interés o proporcionada por una de nuestras empresas colaboradoras.