Modalidad: A Distancia
750
10 meses
60 ECTS
Modalidad Abierta
Prever la conducta de la audiencia se ha transformado no solo en una opción, sino también en una exigencia para las compañías. En un mercado cada vez más competitivo, los negocios no cesan de recopilar información sobre su desempeño y audiencia para perfeccionar su propuesta de valor y destacar frente a la competencia. ¿De qué manera lo logran? Gracias al Análisis de Datos y a la Ciencia de Datos. Dos áreas en las que puedes especializarte con el Posgrado en Data Science y Big Data de IEBS Digital School.
Este instituto busca formarte como un diseñador de datos o un investigador de datos a través de una capacitación práctica, con situaciones reales, discusiones y proyectos en grupo, que abarca 10 meses de formación completamente en línea con clases en directo y grabadas. Para esto, dispone de los mejores docentes, especialistas provenientes de grandes compañías como Taidy, Alten o Bzmk, además de talleres y masterclasses ideales para el establecimiento de contactos.
Aquí adquirirás conocimientos para trabajar con Python y R, para gestionar entornos de datos masivos, contribuir en la toma de decisiones a través del análisis del Big Data e incluso para crear algoritmos de Machine Learning y redes neuronales capaces de aprender a analizar la información de forma autónoma.
Sumérgete en uno de los sectores más prometedores del ámbito tecnológico con uno de los más destacados posgrados del mercado, respaldado por CSIC y eMagister entre otros. Da el paso ahora y aprovecha las alternativas de financiamiento y becas de IEBS para que te resulte más sencillo. ¿Te atreves?
Fundamentos de Programación y Matemáticas: Fundamentos de Python, Python avanzado, Fundamentos R, Proyecto: Análisis de un dataset público de la copa mundial de fútbol, Matemática analítica, Estadística descriptiva, Estadística inferencial y Proyecto: Conocimiento de usuarios y Sistema Recomendador en una plataforma de streaming de películas.
Inteligencia Artificial: Introducción a la IA y Machine Learning, Algoritmos de regresión. Evaluación y métricas, Ecosistemas de Machine Learning en la nube, Proyecto: Análisis predictivo del precio de la vivienda, Clasificación binaria, multiclase y métricas. Curva ROC, Clasificación con Naive Bayes, Clasificación con Support Vector Machine (SVM), Proyecto: Evaluación del estado de salud de un bebé durante el parto, Clasificación con KNN, regresión logística y softmax, Regresión y clasificación con árboles de decisión, Combinación de clasificadores: ensembles y random forests, Proyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleado, Reducción de dimensionalidad en los datos: PCA, Algoritmos de agrupamiento: K Medias y jerárquico, Técnicas de detección de anomalías y Proyecto: PCA y CLUSTERING utilizando Python.
Machine Learning: Hitos del Deep Learning y fundamentos de las redes neuronales, Frameworks de Deep Learning: TensorFlow, Ajuste de modelos de Deep Learning, Proyecto: Análisis donde se aplican técnicas de Deep Learning, Fundamentos de las CNNs: kernels, convolución, pooling, etc., Modelos pre-entrenados: Transfer Learning y Fine-Tuning, Deep Learning en producción, Proyecto: Análisis de un problema de clasificación de imágenes con Deep Learning, Personalización creada por datos, Filtrado Colaborativo, Aplicaciones, tendencias y retos de los sistemas de recomendación, Proyecto: Implementando un algoritmo de SR con la librería Surprise de Python, Introducción al Procesamiento del Lenguaje Natural, Modelos Probabilísticos de NLP y Métodos de Aplicación, NLP Modelos y Algoritmos y Proyecto: Investigación detallada de un caso de estudio de NLP.
Almacenamiento de Datos Escalables: Bases de Datos Relacionales, Fundamentos de SQL, Bases de datos NOSQL, Proyecto: Análisis del impacto de los anuncios de TV en las visitas a la página web del anunciante, Tipos y arquitectura de un Data Warehouse vs Data Lake, MongoDB Atlas, Fundamentos de Azure y AWS, Proyecto: Diseño e implementación de la automatización de una infraestructura sobre AWS, Arquitectura Batch y Streaming. Arquitectura, Lambda, Herramientas del ecosistema Hadoop: Hive, Gestión de recursos: YARN y Proyecto: Arquitectura distribuidora en funcionamiento.
Procesamiento de Datos Escalables: Extracción, Transformación y Carga de datos, Fundamentos y herramientas del ecosistema Hadoop, Gestión de datos Streaming, Proyecto: Desarrollo de una aplicación
de ingesta y análisis de datos, Introducción a Spark y programación en batch sobre RDDs, Spark SQL, Dataframes y GraphX, Spark Streaming y MLlib y Proyecto: Procesamiento en Streaming de un Modelo de ML con Spark Streaming y MLlib.
Otras acciones de procesamiento de datos: Procesos ETL con Python, Web Scraping, Servicios Web y APIs y Proyecto: Extracción y análisis de reviews de películas mediante web scraping.
Proyecto Global
Masterclass: Masterclass: KNIME, Masterclass: Salesforce - Visión 360º del cliente, Masterclass: Sqoop, Taller de Python y Workshop: Recomendaciones para aumentar tu empleabilidad como especialista técnico.