Máster en Data Science

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

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

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

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

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

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

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

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

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.

Masterclasses de referentes de datos en activo, para que el alumno conozca de primera mano casos de uso reales en empresas de diferentes sectores.

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.

Alternativa a las prácticas en empresa, profundizamos en cómo formar parte y/o gestionar un equipo en la empresa moderna.

Trabajo de fin de máster. Profundiza en lo aprendido realizando un proyecto de inicio a fin en un caso de uso real.

Adquiere tu primera experiencia en empresas del sector.

• 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.