Máster en Data Science Madrid - Semipresencial

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

• Conceptos y elementos básicos de Python
• Ejecución condicional

UA2. Funciones

• Definición e invocación
• Parámetros y argumentos
• Ámbito de variables
• Recursividad

UA3. Estructuras de datos

• Tuplas y listas
• Strings
• Diccionarios
• Listas de elementos complejos

UA4. Bucles e iteraciones

• Bucles
• For / while
• Aplicaciones de los bucles
• Iteradores

UA5. Ficheros. Control de excepciones

• Lectura y escritura de ficheros
• Control de errores y excepciones
• Estructuración de un programa en módulos
• Módulos predefinidos

UA6. Orientación a objetos

• Paradigma de orientación a objetos
• Clases, atributos y objetos
• Herencia y sobrecarga

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. Intro a las bases de datos

• Necesidad de información
• Conceptos relacionados con bases de datos
• Análisis de BD. Modelo E/R
• Diseño de BD. Modelo relacional

UA2. Diagramas E/R

• Características básicas de los diagramas E/R
• Características avanzadas de los diagramas E/R
• Paso a tablas y normalización básica

UA3. SQL. Lenguaje de manipulación de datos

• Consultas simples
• Consultas complejas
• Insertar, modificar y borrar datos

UA4. SQL. Lenguaje de definición de datos

• Creación de tablas
• Modiuficación y eliminación de tablas
• Indices y vistas
• Introducción a PL/SQL

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

• ¿Qué es el Big Data?
• Las 5Vs
• ¿Qué es la Ciencia de Datos?
• Fuentes de Datos

UA2. Fundamentos de matemáticas y estadística

• Estadística básica
• Cálculo de KPIs básicos con Python

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. Bases de datos SQL

• Ingesta y ETL básica con SQL

UA2. Bases de datos noSQL

• ¿Qué son las bases de datos noSQL?
• MongoDB
• ElasticSearch

UA3. Almacenamiento de grandes volúmenes

• Almacenamiento en la nube
• Sistema de archivos HDFS

UA4. Ecosistema HADOOP

• Paradigma MapReduce
• Apache HIVE
• Gestor de recursos YARN

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. Python Avanzado

• ETLs con python
• Pandas, Numpy y librerías de tratamiento de datos

UA2. Machine Learning – Aprendizaje Supervisado

• Introducción al ML
• Técnicas de aprendizaje supervisado: Clasificación
• Técnicas de aprendizaje supervisado: Regresión

UA3. Machine Learning – Aprendizaje no Supervisado

• Técnicas de aprendizaje no supervisado: Clustering
• Técnicas de aprendizaje no supervisado: Sistemas de recomendación
• Técnicas de aprendizaje no supervisado: Extracción de variables

UA4. Deep Learning

• Introducción al Deep Learning
• Técnicas de Redes neuronales

UA5. Series temporales

• Modelos ARIMA

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

• ¿Qué es la visualización de datos?
• Tipos de visualizaciones
• Storytelling
• ¿Qué es el Business Intelligence?
• Herramientas de Visualización de Datos

UA2. CARTO

• Creación de mapas interactivos
• Analítica geográfica

UA3. Tableau

• Ingesta y tratamiento de datos
• Creación de cuadros de mando
• Opciones de analítica en Tableau

UA4. Power BI

• Ingesta y tratamiento de datos
• Modelado Avanzado de datos
• Creación de cuadros de mando
• Publicación en la web y el servicio Power BI

UA5. Preparación certificación Power BI

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

• Github y git
• Testing y seguridad del código
• Entornos virtuales
• Docker

UA2. Ecosistema Apache Spark

• ¿Qué es Spark?
• PySpark
• Spark SQL
• Spark Streaming

UA3. Data Science en la nube

• Proveedores de cloud: Amazon Web Services, Microsoft Azure, Google Cloud
• 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.

• Mentoring Profesional