Bootcamp Data Science y Big Data

DescripciónEn la actualidad, las empresas tienen la necesidad de predecir el comportamiento de las personas con el fin de mejorar la interacción con las mismas. Y por este motivo, han estado almacenando datos que ahora deben ser convertidos en activos digitales de valor. Para esa conversión de datos a activos de valor, las nuevas técnicas de Big Data son fundamentales pues permiten una gestión masiva de datos eficiente. Además, los algoritmos de Machine Learning permiten tomar esos datos e inferir el comportamiento de las personas con una contundente probabilidad de acierto.Con el Máster en Data Science y Big Data aprenderás a utilizar las técnicas y herramientas más importantes para manejar grandes volúmenes de datos y, además, conocerás y sabrás aplicar todos los algoritmos de Machine Learning así como su uso a través de Redes Neuronales para su aplicación en entornos reales.¿A quién va dirigido?El Máster en Data Science y Big Data se orienta a los siguientes perfiles:Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia ArtificialProfesionales vinculados fuertemente con la tecnología que tengan por objetivo la especialización en Big Data y Machine LearningProgramadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesionalAnalistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnologíaEstadísticos y Matemáticos que quieran desarrollar su carrera en el mundo del Científico de Datos para MarketingEstas son las profesiones que podrás desempeñar después de estudiar el Máster en Data Science y Big Data:Data ScientistChief Data Officer (CDO)Arquitecto de datosLa figura del científico de datos y del profesional en Data es un perfil altamente demandado en cualquier empresa, por no decir imprescindible. Es por ello que el Master en Data Science y Big Data te preparará para desempeñarte en las diferentes áreas del análisis de datos, como Data Scientist, Chief Data Officer, Arquitecto de Datos, Data Analyst, entre otros.Modelo de aprendizaje innovadorDescubre el Futuro con la Metodología Agile de IEBSAplicamos el Agile Learning con sprints semanales donde el alumno tiene unos objetivos y metas que cumplir y un proyecto donde poner en práctica los conocimientos que adquiere con la guía y supervisión de un mentor.Aprendizaje práctico por proyectosTrabajo en equipoDiscusiones y debatesSeguimiento de mentoresMateriales de apoyoClases en directo y grabadasPlan de estudiosMódulo 1. Introducción a los lenguajes de programaciónFundamentos de PythonPython avanzadoFundamentos RProyecto: Análisis de un dataset público de la copa mundial de fútbolMódulo 2. Fundamentos de IA y Machine LearningIntroducción a la IA y Machine LearningAlgoritmos de regresión. Evaluación y métricasEcosistemas de Machine Learning en la nubeProyecto: Análisis predictivo del precio de la viviendaMódulo 3. Matemáticas y estadística en el tratamiento de datosMatemática analíticaEstadística descriptivaEstadística inferencialProyecto: Conocimiento de usuarios y Sistema Recomendador en una plataforma de streaming de películasMódulo 4. Aprendizaje supervisado IClasificación binaria, multiclase y métricas. Curva ROCClasificación con Naive BayesClasificación con Support Vector Machine (SVM)Proyecto: Evaluación del estado de salud de un bebé durante el partoMódulo 5. Sistemas y servicios de AlmacenamientoBases de Datos RelacionalesFundamentos de SQLBases de datos NoSQLProyecto: Análisis del impacto de los anuncios de TV en las visitas a la página web del anunciante.Módulo 6. Aprendizaje supervisado IIClasificación con KNN, regresión logística y softmaxRegresión y clasificación con árboles de decisiónCombinación de clasificadores: ensembles y random forestsProyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleadoMódulo 7. Entornos DatawarehouseTipos y arquitectura de un Data Warehouse vs Data LakeMongoDB AtlasFundamentos de Azure y AWSProyecto: Diseño e implementación de la automatización de una infraestructura sobre AWSMódulo 8. Aprendizaje NO SupervisadoReducción de dimensionalidad en los datos: PCAAlgoritmos de agrupamiento: K Medias y jerárquicoTécnicas de detección de anomalíasProyecto: PCA y CLUSTERING utilizando PythonMódulo 9. Arquitecturas distribuidas Big DataIntroducción a las Arquitecturas Distribuidas: Paralelización y Map ReduceArquitecturas Lambda y Kappa. Batch vs Streaming.Gestión de recursos en Arquitecturas DistribuidasProyecto: Diseño y Desarrollo de una Arquitectura Distribuida para Análisis de Datos EspacialesMódulo 10. Redes neuronales y Deep LearningHitos del Deep Learning y fundamentos de las redes neuronalesFrameworks de Deep Learning: TensorFlowAjuste de modelos de Deep LearningProyecto: Análisis donde se aplican técnicas de Deep LearningMódulo 11. Procesamiento de datos a gran escala I: HadoopExtracción, Transformación y Carga de datosFundamentos y herramientas del ecosistema HadoopGestión de datos StreamingProyecto: Desarrollo de una aplicación de ingesta y análisis de datosMódulo 12. Redes Neuronales Convolucionales (CNNs)Fundamentos de las CNNs: kernels, convolución, pooling, etc.Modelos pre-entrenados: Transfer Learning y Fine-TuningDeep Learning en producciónProyecto: Análisis de un problema de clasificación de imágenes con Deep LearningMódulo 13. Procesamiento de datos a gran escala I: SparkIntroducción a Spark y programación en batch sobre RDDsSpark SQL, Dataframes y GraphXSpark Streaming y MLlibProyecto: Procesamiento en Streaming de un Modelo de ML con Spark Streaming y MLlibMódulo 14. Sistemas de recomendaciónPersonalización creada por datosFiltrado ColaborativoAplicaciones, tendencias y retos de los sistemas de recomendaciónProyecto: Implementando un algoritmo de SR con la librería Surprise de PythonMódulo 15. Otras acciones de procesamiento de datosProcesos ETL con PythonWeb ScrapingServicios Web y APIsProyecto: Extracción y análisis de reviews de películas mediante web scrapingMódulo 16. Procesamiento del Lenguaje NaturalIntroducción al Procesamiento del Lenguaje NaturalModelos Probabilísticos de NLP y Métodos de AplicaciónNLP – Modelos y AlgoritmosProyecto: Investigación detallada de un caso de estudio de NLPMódulo 17. Global ProjectMasterclassMasterclass: KNIME Franco Ubber Scapin | Data Scientist en NaranjaMasterclass: Salesforce – Visión 360º del cliente Mauro Rafaelli Castilhos | Digital Advisor – Digital Ventures Lab (DVL)Masterclass: Sqoop Angel Hernandez Bravo | Tecnology Advisor – Experto Tecnologías de Información en Banco de España eurosystemTaller de Python Layla Scheli | Analista de BI, Big Data y Data Science en IosperWorkshop: Recomendaciones para aumentar tu empleabilidad como especialista técnico Zaira Adame | Directora Innovación Estratégica y Business Intelligence. Co-Founder en Bzmk creative contents.