Máster en Data Science

Módulo 1. Complemento formativo – Python (6 ECTS)
Este módulo tiene como principal misión introducir a la programación con Python como lenguaje base para el resto del programa.

• UA1. Intro a la programación y a Python
• UA2. Funciones
• UA3. Estructuras de datos
• UA4. Bucles e iteraciones
• UA5. Ficheros. Control de excepciones
• UA6. Orientación a objetos

Módulo 2. Complemento formativo – Bases de datos (6 ECTS)

Este módulo tiene como principal misión introducir a las bases de datos relacionales y a SQL como lenguaje de adquisición y transformación de datos.

• UA1. Introducción a las bases de datos
• UA2. SQL. Lenguaje de manipulación de datos
• UA3. SQL. Lenguaje de definición de datos
• Bases de datos NoSQL. MongoDB

Módulo 3. Introducción y fundamentos de la ciencia de datos (2 ECTS)
El objetivo de este módulo es introducir a los conceptos de Big Data y Data Science, de dónde salen esos grandes volúmenes de datos y por qué la necesidad de analizarlos y el auge de estas disciplinas. Además, sentaremos las bases matemáticas y estadísticas que nos permitirán comprender más adelante los tipos de análisis que se realizan en proyectos de Data Science.

• UA1. Introducción al Big Data y al Data Science
• UA2. Fundamentos de matemáticas y estadística

Módulo 4. ETL. Extracción, tratamiento e ingesta de datos (4 ECTS)
Todo proyecto de datos comienza precisamente con los datos. Este módulo tiene como objetivo capacitar al alumno en las alternativas existentes para almacenar los datos según el volumen con el que se trabaje, y en los instrumentos más sencillos para ingestar los datos en ellas.

• UA1. Trabajar con datos y bases de datos
• UA2. Ecosistema HADOOP
  1. Sistema de archivos HDFS
  2. Paradigma MapReduce
  3. Apache HIVE
  4. Gestor de recursos YARN

• UA3. Python para Análisis de Datos
  1. ETLs con python
  2. Pandas, Numpy y librerías de tratamiento de datos
  3. pySpark

Módulo 5. Análisis de datos y machine learning (6 ECTS)
La analítica avanzada es la pieza fundamental de todo Data Scientist. Este módulo tiene como misión principal explicar y poner en práctica los distintos tipos de analíticas de Machine Learning, Deep Learning y/o series temporales que podemos aplicar y los casos de uso que posibilitan.

Además, se verán en detalle las limpiezas y transformaciones que puede ser necesario aplicar a los datos para prepararlos para estos análisis.

• UA1. Machine Learning – Aprendizaje Supervisado
  1. Introducción al ML
  2. Técnicas de aprendizaje supervisado: Clasificación
  3. Técnicas de aprendizaje supervisado: Regresión

• UA2. Machine Learning – Aprendizaje no Supervisado
  1. Técnicas de aprendizaje no supervisado: Clustering
  2. Técnicas de aprendizaje no supervisado: Sistemas de recomendación
  3. Técnicas de aprendizaje no supervisado: Extracción de variables

• UA3. Series temporales

1 .Modelos ARIMA

Módulo 6. Redes neuronales (2 ECTS)
Dentro de las técnicas de análisis avanzado, llevan tiempo cogiendo importancia las redes neuronales artificiales. Este módulo tiene como misión explicar y aplicar esta tecnología

• UA1. Deep Learning
  1. Introducción al Deep Learning
  2. Técnicas de Redes neuronales

• UA2. Procesamiento del Lenguaje Natural (NLP)

1 .Técnicas de procesamiento del lenguaje natural

Módulo 7. Visualización de datos (4 ECTS)
De poco sirve una analítica o proyecto de Data Science muy trabajado si no somos capaces de presentarlo de forma adecuada. Este módulo se centra en otro de los pilares de la Ciencia de Datos, la visualización de datos, desde los fundamentos teóricos a la construcción de gráficas y dashboards usando las herramientas más importantes del sector.

• UA1. Fundamentos de la Visualización de Datos
  1. ¿Qué es la visualización de datos?
  2. Tipos de visualizaciones
  3. Storytelling
  4. ¿Qué es el Business Intelligence?
  5. Herramientas de Visualización de Datos

• UA2. CARTO
  1. Creación de mapas interactivos
  2. Analítica geográfica

• UA3. Power BI y TABLEAU
  1. Ingesta y tratamiento de datos
  2. Modelado Avanzado de datos
  3. Creación de cuadros de mando

• UA4. Visualización de grandes volúmenes de datos
  1. Técnicas y herramientas para visualizar Big Data
  2. MongoDB charts
  3. Kibana

Módulo 8. Plataformas cloud y productivización (2 ECTS)
Muchos de los proyectos de Data Science se realizan en modo prueba de concepto. Otros, sin embargo, serán proyectos recurrentes o productos. Este módulo tiene como misión capacitar al alumno en los pasos extra y herramientas que pueden utilizarse para productivizar estas pruebas de concepto, como asegurar el código frente a errores o problemas de seguridad, o ejecutarlo en la nube.

• UA1. Productivización del código
  1. Github y git
  2. Testing y seguridad del código
  3. Entornos virtuales
  4. Docker

• UA2. Data Science en la nube
  1. Proveedores de cloud: Amazon Web Services, Microsoft Azure, Google Cloud
  2. AWS en detalle

Módulo 9. Proyecto grupal (6 ECTS)

Elaboración de un proyecto integral de datos que sea el producto de una empresa potencialmente real.

• Búsqueda de caso de uso
• Análisis de fuentes de datos públicos / privados
• Diseño de la infraestructura y flujos de datos
• Ingesta y limpieza de los datos en la base de datos adecuada
• Diseño e implementación de las analíticas que posibiliten el caso de uso
• Diseño y construcción de los cuadros de mando del producto

El proyecto se realizará durante todo el curso, aplicando lo aprendido a cada módulo al caso de uso elegido.

Módulo 10. Mentoring profesional (2 ECTS)
Masterclasses de referentes de datos en activo, para que el alumno conozca de primera mano casos de uso reales en empresas de diferentes sectores.

Módulo 11. Especialización – Analítica web (3 ECTS)
Alternativa a las prácticas en empresa, profundizamos en uno de los casos más comunes de análisis de datos, el análisis de datos de la web.

Módulo 12. Especialización – Gestión de proyectos (3 ECTS)
Alternativa a las prácticas en empresa, profundizamos en cómo formar parte y/o gestionar un equipo en la empresa moderna.

Módulo 13. TFM (14 ECTS)
Trabajo de fin de máster. Profundiza en lo aprendido realizando un proyecto de inicio a fin en un caso de uso real.

Módulo 14. Prácticas en empresa (6 ECTS)
Adquiere tu primera experiencia en empresas del sector.

Este bloque abarca todos los módulos que te preparan con las herramientas, lenguajes y metodologías clave para convertirte en un Data Scientist:

• A lo largo del máster aprenderás a programar y gestionar bases de datos con Python, SQL y MongoDB, sentando las bases para estructurar y analizar información. Profundizarás en los fundamentos del Big Data, la estadística y las matemáticas aplicadas, esenciales para interpretar datos y tomar decisiones.
• Dominarás el tratamiento y análisis avanzado de datos con herramientas como Hadoop, pySpark o Pandas, y aplicarás técnicas de Machine Learning, Deep Learning y NLP para generar modelos predictivos.
• Por último, aprenderás a visualizar resultados con Power BI, Tableau o CARTO, y a implementar proyectos en la nube con AWS, Azure o Google Cloud, siguiendo buenas prácticas de testing y seguridad.

Este bloque te permite aplicar lo aprendido y crecer profesionalmente:

• El máster culmina con una experiencia práctica pensada para llevar tu aprendizaje al siguiente nivel. Desarrollarás un proyecto grupal real, guiado por expertos del sector a través de sesiones de mentoring y masterclasses.
• Podrás especializarte en analítica web o gestión de proyectos, y demostrar tus competencias en el Trabajo de Fin de Máster, donde aplicarás todo lo aprendido en un caso real.
• Finalmente, realizarás prácticas en empresas líderes, dando tu primer paso profesional en el sector del Data Science.

• Álvaro Sánchez Pérez
  Experto en Visualización de Datos y Data Science. Años de experiencia en el desarrollo de productos Big Data, consultoría y trabajos de visualización en web. Director del programa, imparte Visualización de Datos.
• Pablo Ortiz de Galisteo Andrés
  Experto Data Scientist / Machine Learning Engineer en VavaCars, con amplia experiencia en consultoría, banca y telecomunicaciones. Imparte Redes Neuronales.
• Adrián Vega Delgado
  Experto Data Engineer en Making Science. Imparte las asignaturas relacionadas con cloud y productivización.
• Javier Villar Gil
  Especializado en Sistemas Distribuidos y Big Data. Desde el comienzo de su carrera profesional ha estado ligado a proyectos de tratamiento de datos e información. Imparte las asignaturas relacionadas con el tratamiento de datos, ETL y analítica.
• Marta Borrajo Vázquez
  Doctora en física, especializada en análisis de datos. Senior Data Scientist en Geoblink, imparte las asignaturas de Machine Learning e Inteligencia Artificial.
• Carmen Alonso Martínez
  Experta en modelos de Inteligencia Artificial en Securitas Direct. Imparte las asignaturas de Machine Learning y Analítica Avanzada.

No te preocupes, no necesitas venir siendo un experto en programación. En este máster arrancamos desde cero con Python y SQL, y toda la formación está pensada para que aprendas de forma gradual. Empezarás con los cimientos, y te acompañamos para que ganes confianza y técnica antes de abordar los retos más grandes.

El Máster comprende herramientas como Python y SQL, y verás de primera mano Machine Learning, Deep Learning, visualización de datos y plataformas cloud como AWS, Azure o Google Cloud — justo lo que están usando hoy las grandes empresas. Además, usarás estas tecnologías en casos reales de negocio

Durante el programa crearás un proyecto completo, tal como lo haría un equipo de datos en una empresa Aplicarás lo aprendido, en diversos sectores de negocio abarcando:

• Clasificación y predicción con Machine Learning.
• Limpieza y visualización de datos.
• Deep Learning.
• Modelos aplicados a sectores reales (energía, salud, telecomunicaciones, banca, entre otros).

Son proyectos similares a los que haría un equipo junior de Data Science dentro de una empresa.

Ser Data Scientist no es solo dominar herramientas: es saber unir la técnica con la capacidad de entender problemas reales de negocio. En este máster aprenderás a manejar las tecnologías que usan los equipos de datos, pero también a pensar como un profesional que aporta valor más allá del código.

En la parte técnica, desarrollarás habilidades como:

• Python y SQL, las bases del trabajo diario con datos.
• Estadística aplicada, imprescindible para interpretar resultados.
• Machine Learning y Deep Learning, para crear modelos que predicen y automatizan.
• Visualización de datos, para convertir información compleja en insights claros.

Y en la parte profesional, trabajarás competencias igual de importantes:

• Pensamiento analítico y enfoque resolutivo.
• Capacidad para explicar datos a personas que no son técnicas.
• Visión de negocio para transformar datos en decisiones reales.
• Trabajo en equipo dentro de un entorno multidisciplinar.

Esta combinación —técnica + analítica + comunicación— es exactamente lo que hoy buscan las empresas en Madrid y en cualquier equipo moderno de Data Science.

En el entorno tecnológico actual, los profesionales de ciencia de datos se encuentran trabajando en empresas de telecomunicaciones, consultoría, tecnología, servicios digitales, industria avanzada, entre otros. Con este máster estarás preparado para sumarte a esos equipos que operan en la capital o desde la capital hacia otros mercados.

Explicado de manera sencilla, un Data Analyst trabaja con datos, crea informes, dashboards y ayuda a entender qué está pasando. Un Data Scientist va un paso más allá: además de analizar, diseña modelos predictivos, automatiza procesos de datos y aporta valor futuro al negocio. Si quieres ir más allá de los informes, el rol de Data Scientist te lleva allí

Ambos roles son complementarios, pero el Data Scientist tiene un componente más técnico.

La carrera en Data Science tiene un crecimiento progresivo: cuanto más dominio técnico y visión de negocio adquieres, más avanzas. Normalmente, el recorrido profesional sigue este camino:

Evolución habitual:

• Data Scientist Junior – primeros proyectos, modelos básicos y aprendizaje del flujo de trabajo.
• Data Scientist / ML Engineer – modelos más avanzados, automatización y mayor responsabilidad.
• Senior Data Scientist – liderazgo técnico y toma de decisiones.
• Lead / Principal – coordinación de equipos y definición de estrategia de datos.

Chief Data Officer (CDO) – dirección global de la estrategia de datos.