El Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada se justifica por la creciente importancia de la inteligencia empresarial y el análisis de grandes volúmenes de datos en el entorno empresarial actual.
En la era digital, las organizaciones generan y recopilan una gran cantidad de datos a través de diversas fuentes, como redes sociales, dispositivos móviles o registros de clientes. Estos datos pueden proporcionar información valiosa sobre el comportamiento del consumidor, las tendencias del mercado, las operaciones internas y otros aspectos críticos del negocio. Sin embargo, la capacidad de aprovechar estos datos para obtener información significativa y tomar decisiones informadas requiere de habilidades y conocimientos específicos.
Este Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada está diseñado para profesionales y graduados que deseen adquirir habilidades en el campo de Business Intelligence, Big Data y Analítica Web. Está dirigido a aquellos interesados en visualizar y analizar datos para la toma de decisiones basadas en datos.
Objetivos
– Dominar las técnicas y herramientas de visualización de datos para comunicar eficazmente información clave.
– Utilizar Tableau, D3, Power BI y R con ggplot2 para crear visualizaciones y análisis de datos interactivos.
– Aplicar técnicas de analítica web utilizando Google Analytics y Google Tag Manager para comprender a los usuarios.
– Desarrollar estrategias de SEO y SEM para aumentar la visibilidad y la efectividad de los sitios web.
– Utilizar las redes sociales como fuente de análisis y tomar decisiones basadas en datos.
– Implementar y gestionar proyectos de analítica web, desde la planificación hasta la presentación de informes.
– Analizar información mediante el lenguaje Python y sus diferentes librerías y funcionalidades.
Salidas Profesionales
Tras completar este Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada, estarás preparado para desempeñar diferentes roles en empresas de multitud de sectores. Podrás ocupar puestos como analista de datos, especialista en visualización de datos, analista de negocios, gestor de proyectos de analítica web o consultor de Business Intelligence.
¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
El gran auge del big data
La importancia de almacenar y extraer información
¿Cual es el papel de las fuentes de datos?
Soluciones novedosas gracias a la selección de datos
Naturaleza de las fuentes de datos Big Data
Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
Fases en un proyecto de Big Data
Big Data enfocado a los negocios
Apoyo del Big Data en el proceso de toma de decisiones
Toma de decisiones operativas
Marketing estratégico y Big Data
Open data
Ejemplo de uso de Open Data
IoT (Internet of Things-Internet de las cosas)
Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Big Data en salud
Necesidad de Big Data en la asistencia sanitaria
Retos del big data en salud
Big Data y People Analytics en RRHH
Definiendo el concepto de Business Intelligence y sociedad de la información
Arquitectura de una solución Business Intelligence
Business Intelligence en los departamentos de la empresa
Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
Sistemas Operacionales y Procesos ETL en un sistema de BI
Ventajas y Factores de Riesgos del Business Intelligence
Cuadros de Mando Integrales (CMI)
Sistemas de Soporte a la Decisión (DSS)
Sistemas de Información Ejecutiva (EIS)
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y Técnicas de Data Mining
Áreas de aplicación
Minería de Textos y Web Mining
Data mining y marketing
Aproximación al concepto de DataMart
Bases de datos OLTP
Bases de Datos OLAP
MOLAP, ROLAP & HOLAP
Herramientas para el desarrollo de cubos OLAP
Visión General: ¿Por qué DataWarehouse?
Estructura y Construcción
Fases de implantación
Características
Data Warehouse en la nube
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras
¿Qué es el Data Storytelling?
Elementos clave del Data Storytelling
¿Por qué es importante el Data Storytelling?
¿Cómo hacer Data Storytelling?
¿Qué es Hadoop? Relación con Big Data
Instalación y configuración de insfraestructura y ecosistema Hadoop
Sistema de archivos HDFS
MapReduce con Hadoop
Apache Hive
Apache Hue
Apache Spark
Qué es orange Data Mining
Ventajas de utilizar Orange Data Mining
Carga y preprocesamiento de datos
Programación visual
Exploración y visualización de datos
Modelado predictivo
Ingeniería de características
Creación y uso de flujos de trabajo de datos para realizar análisis
Tipos de widgets y sus funciones
Conexión de widgets mediante canales
Personalización de widgets para obtener resultados específicos
Importación de datos desde diferentes fuentes
Configuración de parámetros de importación
Manejo de diferentes formatos de datos
Visualización previa de los datos importados
Identificación de grupos o clusters de datos
Análisis de la jerarquía de los clusters
Visualización de la estructura de clusters mediante dendrogramas
Selección del algoritmo adecuado en función del problema y los datos
Entrenamiento y ajuste de los modelos
Interpretación de los resultados
Evaluación del rendimiento de los modelos predictivos
¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Computing
Aspectos legales en Protección de Datos
Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL Una base de datos relacional
¿Qué es una base de datos NoSQL?
Bases de datos Relaciones Vs Bases de datos NoSQL
Tipo de Bases de datos NoSQL Teorema de CAP
Sistemas de Bases de datos NoSQL
¿Qué es MongoDB?
Funcionamiento y uso de MongoDB
Primeros pasos con MongoDB: Instalación y shell de comandos
Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
Actualización de datos en MongoDB: Sentencias set y update
Trabajando con índices en MongoDB para optimización de datos
Consulta de datos en MongoDB
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
Una aproximación a PENTAHO
Soluciones que ofrece PENTAHO
MongoDB & PENTAHO
Hadoop & PENTAHO
Weka & PENTAHO
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
¿Qué es el análisis de datos?
Análisis de datos con NumPy
Pandas
Matplotlib
Cómo usar loc en Pandas
Cómo eliminar una columna en Pandas
Pivot tables en pandas
El grupo de pandas
Python Pandas fusionando marcos de datos
Matplotlib
Seaborn
Aprendizaje automático
Regresión lineal
Regresión logística
Estructura de árbol
Algoritmo de Naive bayes
Tipos de Naive Bayes
Máquinas de vectores soporte (Support Vector Machine-SVM)
¿Cómo funciona SVM?
Núcleos SVM
Construcción de clasificador en Scikit-learn
K-nearest Neighbors (KNN)
Implementación de Python del algoritmo KNN
Análisis de componentes principales
Algoritmo de Random Forest
¿Qué es la visualización de datos?
Importancia y herramientas de la visualización de datos
Visualización de datos: Principios básicos
¿Qué es Tableau? Usos y aplicaciones
Tableau Server: Arquitectura y Componentes
Instalación Tableau
Espacio de trabajo y navegación
Conexiones de datos en Tableau
Tipos de filtros en Tableau
Ordenación de datos, grupos, jerarquías y conjuntos
Tablas y gráficos en Tableau
Fundamentos D3
Instalación D3
Funcionamiento D3
SVG
Tipos de datos en D3
Diagrama de barras con D3
Diagrama de dispersión con D3
Visualización de datos
Tipologías de gráficos
Fuentes de datos
Creación de informes
Instalación y arquitectura
Carga de datos
Informes
Transformación y modelo de datos
Análisis de datos
Introducción a Power BI
Instalación de Power BI
Modelado de datos
Visualización de datos
Dashboards
Uso compartido de datos
CartoDB
¿Qué es CARTO?
Carga y uso de datos. Tipos de análisis
Programación de un visor con la librería CARTO.js
Uso de ejemplos y ayudas de la documentación de la API
Introducción a Gplot
El paquete ggplot2
Cambiar títulos de eje
Aumentar el espacio entre ejes y títulos de ejes
Cambiar la estética de los títulos de Axis
Cambiar la estética del texto del eje
Texto del eje de rotación
Eliminar texto de eje y marcas
Eliminar títulos de eje
Límite del rango del eje
Forzar el trazado para que comience en el origen
Ejes con la misma escala
Usar una función para modificar etiquetas
Añade un título
Ajustar la posición de los títulos
Use una fuente no tradicional en su título
Cambiar espaciado en texto de varias líneas
Trabajando con leyendas
Apaga la leyenda
Eliminar títulos de leyenda
Cambiar la posición de la leyenda
Cambiar la dirección de la leyenda
Cambiar el estilo del título de la leyenda
Cambiar título de leyenda
Cambiar el orden de las claves de leyenda
Cambiar etiquetas de leyenda
Cambiar cuadros de fondo en la leyenda
Cambiar el tamaño de los símbolos de leyenda
Dejar una capa fuera de la leyenda
Adición manual de elementos de leyenda
Usar otros estilos de leyenda
Cambiar el color de fondo del panel
Cambiar líneas de cuadrícula
Cambiar el espaciado de las líneas de cuadrícula
Cambiar el color de fondo de la trama
Trabajar con márgenes
Trabajar con gráficos de paneles múltiples
Crear múltiplos pequeños basados en una variable
Permitir que los ejes deambulen libremente
Uso facet_wrapcon dos variables
Modificar el estilo de los textos de la tira
Crear un panel de diferentes parcelas
Trabajar con colores
Especificar colores individuales
Asignar colores a las variables
Variables Cualitativas
Seleccionar manualmente colores cualitativos
Utilice paletas de colores cualitativas integradas
Use paletas de colores cualitativos de paquetes de extensión
Variables Cuantitativas
La paleta de colores Viridis
Usar paletas de colores cuantitativas de paquetes de extensión
Modificar paletas de colores después
Cambiar el estilo de trazado general
Cambiar la fuente de todos los elementos de texto
Cambiar el tamaño de todos los elementos de texto
Cambiar el tamaño de todos los elementos de línea y rectángulo
Crea tu propio tema
Actualizar el tema actual
Agregar líneas horizontales o verticales a un gráfico
Agregar una línea dentro de un gráfico
Agregar líneas curvas y flechas a un gráfico
Agregue etiquetas
Agregar anotaciones de texto
Use Markdown y HTML Rendering para anotaciones
Voltear una parcela
arreglar un eje
Invertir un eje
Transformar un eje
Circularizar una parcela
Alternativas a un diagrama de caja
Crear una representación de alfombra en un gráfico
Crear una matriz de correlación
Crear un gráfico de contorno
Crear un mapa de calor
Crear un diagrama de cresta
Trabajar con cintas (AUC, CI, etc.)
Predeterminado: agregar un suavizado LOESS o GAM
Trabajar con gráficos interactivos
¿Qué es la analítica web?
Establecimiento de objetivos y KPIs
Métricas principales y avanzadas
Objetivos y ventajas de medir
Plan de medición
Introducción a Google Analytics 4
Interfaz
Métricas y dimensiones
Informes básicos
Filtros
Segmentos
Eventos
Informes personalizados
Comportamiento de los usuarios e interpretación de datos
Introducción a GTM
Implementación con GTM
Medición con GTM
Uso de Debug/Preview Mode
La atribución
Multicanalidad
Customer Journey
Principales modelos de atribución
Modelos de atribución personalizados
Planificación del Dashboard
Características del Dashboard
Introducción a Data Studio
Conectores
Tipos de gráficos
Personalización de informes
Elementos de control
Dimensiones y métricas
Campos Calculados
Compartir informes
Introducción al SEO
Historia de los motores de búsqueda
Componentes de un motor de búsqueda
Organización de resultados en un motor de búsqueda
La importancia del contenido
El concepto de autoridad en Internet
Campaña SEO
Introducción al SEM
Principales conceptos en SEM
Sistema de pujas y Calidad del anuncio
Primer contacto con Google Ads
Creación de anuncios con calidad
Indicadores clave de rendimiento en SEM
Análisis del tráfico en redes sociales
Fijar objetivos en redes sociales
Facebook
Twitter
Youtube
LinkedIn
Tik tok
Instagram
Usabilidad
Mapas de calor
Grabaciones de sesiones de usuario
Ordenación de tarjetas
Test A/B
Test multivariante
KPI, indicadores clave de rendimiento
Cambios a realizar para optimizar una página web
Hotjar
Microsoft Power BI
Google Search Console
Matomo
Awstats
Chartbeat
Adobe Analytics
¿Qué son las cookies?
Tipos de cookies
GDPR
Herramientas para manejar el consentimiento de cookies
Concepto, evolución y aplicaciones de la inteligencia artificial
Principales enfoques de la IA: simbólica, conexionista y basada en datos
Sistemas expertos y evolución hacia la IA moderna
Tipos y capacidades de los sistemas de inteligencia artificial
IA generativa y nuevos paradigmas de inteligencia artificial
Aplicaciones, oportunidades y limitaciones de la IA
Fundamentos del machine learning
Aprendizaje supervisado, no supervisado y por refuerzo
Datos de entrenamiento, validación y prueba
Preparación y transformación de datos
Selección y construcción de variables (features)
Algoritmos de aprendizaje automático y criterios de selección
Regresión y predicción
Clasificación y principales algoritmos
Árboles de decisión y métodos ensemble
Máquinas de vectores soporte (SVM)
Clustering: K-means, jerárquico y DBSCAN
Reducción de dimensionalidad: PCA y t-SNE
Detección de anomalías
Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
Exploración frente a explotación y principales retos del aprendizaje por refuerzo
Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación
Entrenamiento y evaluación de modelos
Métricas de evaluación y selección según el problema
Validación cruzada y partición de los datos
Sobreajuste, infraajuste y regularización
Optimización e hiperparámetros
Interpretación y comparación de modelos
Fundamentos de las redes neuronales artificiales
Perceptrón y redes neuronales multicapa
Funciones de activación y arquitectura de una red
Entrenamiento, descenso de gradiente y retropropagación
Sobreajuste y técnicas de regularización en redes profundas
Fundamentos y aplicaciones del deep learning
Redes neuronales convolucionales (CNN)
Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
Transformers frente a las arquitecturas secuenciales anteriores
Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)
Aplicaciones del deep learning en visión artificial
Aplicaciones del deep learning en procesamiento del lenguaje natural
Transferencia de aprendizaje y modelos preentrenados
Sistemas de recomendación y soporte a la decisión
Casos de uso de IA en diferentes sectores
Sesgos, explicabilidad y transparencia
Privacidad, seguridad, ética y gobernanza de la IA
Impacto económico y social de la inteligencia artificial
Concepto, evolución y aplicaciones del PLN
Principales tareas del procesamiento del lenguaje
Del PLN basado en reglas a los modelos basados en aprendizaje automático
Representación del lenguaje: tokens, vectores y embeddings
PLN multilingüe y retos del lenguaje natural
Aplicaciones actuales del PLN
Concepto y evolución de los modelos de lenguaje
De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
Criterios de selección de un modelo de lenguaje según la tarea de PLN
Procesamiento y preparación de textos
Clasificación y análisis de textos
Extracción de información y reconocimiento de entidades
Análisis de sentimientos y opiniones
Generación, resumen y traducción automática
Búsqueda semántica y recuperación de información
Evolución de los sistemas conversacionales
Concepto y arquitectura de un chatbot
Chatbots basados en reglas, intención y modelos de lenguaje
LLM como motor de sistemas conversacionales
Contexto, memoria y gestión del diálogo
Voicebots y asistentes conversacionales
Limitaciones y retos de los sistemas conversacionales
Diseño de experiencias conversacionales
Definición de objetivos, usuarios y casos de uso
Prompting y diseño de instrucciones
Integración de modelos de lenguaje mediante API
Embeddings y bases de datos vectoriales
RAG (Retrieval-Augmented Generation)
Evaluación y mejora de sistemas conversacionales
Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
Plataformas no-code y low-code para chatbots
Despliegue e integración en canales: web, WhatsApp y redes sociales
Pruebas, monitorización y mantenimiento de un chatbot en producción
Concepto y evolución de los agentes de IA
Agentes basados en modelos de lenguaje
Uso de herramientas y conexión con sistemas externos
Memoria, planificación y ejecución de tareas
Sistemas multimodales: texto, voz, imagen y vídeo
Aplicaciones empresariales de agentes y asistentes de IA
Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
Alucinaciones y limitaciones de los modelos de lenguaje
Sesgos, privacidad y protección de datos
Seguridad de los sistemas conversacionales
Evaluación, supervisión y control de sistemas de IA
Diseño responsable de experiencias conversacionales
Tendencias y evolución de la IA conversacional
Concepto, evolución y aplicaciones de la visión artificial
Componentes y funcionamiento de un sistema de visión artificial
Captura, procesamiento e interpretación de imágenes
Visión 2D, 3D y sistemas multiespectrales
Ventajas, limitaciones y retos de la visión artificial industrial
Integración de la visión artificial en la Industria 4.0
Cámaras y sensores para visión industrial
Ópticas, resolución y campo de visión
Iluminación y condiciones de captura
Sistemas de visión 3D
Selección y configuración del sistema de adquisición
Integración de cámaras y sistemas de visión en entornos industriales
Python y OpenCV para visión artificial
Lectura, visualización y gestión de imágenes y vídeo
Transformaciones geométricas y espacios de color
Filtrado, reducción de ruido y mejora de imágenes
Umbralización y operaciones morfológicas
Segmentación, detección de bordes y extracción de características
Histogramas y análisis de características de imagen
Detección de contornos, formas y objetos
Detección de líneas, círculos y puntos de interés
Reconocimiento y comparación de patrones
Template matching y técnicas de correspondencia
Extracción de información y reconocimiento de texto (OCR)
Inspección y control de calidad
Detección de defectos y anomalías
Medición, posicionamiento y guiado de procesos
Identificación, lectura de códigos y trazabilidad
Visión artificial aplicada a robótica y automatización
Integración de sistemas de visión con procesos industriales
Fundamentos del aprendizaje automático aplicado a imágenes
Clasificación y reconocimiento de imágenes
Extracción y selección de características
Clustering y detección de patrones
Evaluación y validación de modelos
Aplicaciones de machine learning en inspección industrial
Redes neuronales convolucionales aplicadas a visión
Clasificación de imágenes mediante deep learning
Detección y localización de objetos
Segmentación semántica y segmentación de instancias
Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
YOLO y otros modelos modernos de detección
Visión clásica frente a deep learning: selección del enfoque adecuado
Diseño de un sistema de visión artificial industrial
Selección de hardware, software y modelos de IA
Desarrollo y prueba de soluciones con Python y OpenCV
Integración con sistemas industriales y edge computing
Evaluación del rendimiento y fiabilidad del sistema
Mantenimiento, monitorización y mejora de modelos
Seguridad, privacidad y uso responsable de la visión artificial
Titulación
Titulación de Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada con 1500 horas y 60 ECTS expedida por UTAMED-Universidad Tecnológica Atlántico Mediterráneo.
Ir al contenido 
