DescripciónPara qué te preparaCon el Master en Business Intelligence y Big Data. Data Science aprenderás las principales herramientas de Big Data y Business Intelligence como Weka, Talend o Hadoop. Gestionarás bases de datos SQL y NoSQL, programarás en lenguajes como Python y R, crearás visualizaciones de datos con Power BI o Tableau y aplicarás técnicas de Inteligencia artificial, Machine learning y visión artificial. Además, usarás Google Analytics para la analítica web.ObjetivosEmplear técnicas y herramientas Big Data y Business Intelligence para tomar decisiones estratégicas y de marketing.Almacenar y gestionar datos utilizando bases de datos tanto relacionales (SQL) como no relacionales (NoSQL).Explotar los datos y visualizar resultados mediante técnicas de Data Science y programación con Python y R.Comprender el uso de la analítica web para Big Data y su aplicación mediante Google Analytics 4.Utilizar los principales algoritmos de Inteligencia artificial, Machine learning y Deep Learning para Big Data.Entender el procesamiento de lenguaje natural (PLN) y cómo aplicar la inteligencia artificial para crear chatbots.Crear y programar sistemas de visión artificial mediante Python y OpenCV.A quién va dirigidoEste Master en Big Data y Business Intelligence. Data Science está dirigido a técnicos informáticos, analistas de datos o personal con conocimientos de estadística, marketing, negocio y emprendimiento que busquen una especialización en Ciencia de datos. También es perfecta para estudiantes interesados en estas temáticas y con grandes salidas laborales.Salidas ProfesionalesActualmente, existe tal demanda laboral de personal especializado en Big Data y Data Science que las empresas están en búsqueda de estos perfiles. Con este Master en Big Data y Business Intelligence. Data Science optarás a puestos como Analista de datos, Data Scientist, Business Analyst, Arquitecto Big Data, IA Developer, Machine Learning Engineer o E-commerce & Social Media.Plan de estudiosMÓDULO 1: Big Data & Business Intelligence FundamentalsUnidad Didáctica 1: La Revolución de los Datos MasivosBig Data: Definición, características y aplicaciones.Thick Data: Diferencias y complementariedad con Big Data.Almacenamiento y Extracción de Información: Importancia y técnicas.Fuentes de Datos: Tipos y su papel en Big Data.Soluciones Novedosas: Innovaciones basadas en la selección de datos.Unidad Didáctica 2: Toma de Decisiones InteligentesThick Data: Valor cualitativo en la toma de decisiones.Fases en un Proyecto de Big Data: Desde la recopilación hasta el análisis.Big Data en Negocios: Aplicaciones y beneficios.Apoyo en la Toma de Decisiones: Operativas y estratégicas.Unidad Didáctica 3: Crecimiento del Negocio a través de Big DataMarketing Estratégico: Uso de Big Data en marketing.Open Data: Ejemplos y aplicaciones.IoT (Internet of Things): Integración con Big Data.Unidad Didáctica 4: Big Data en Diferentes SectoresInteligencia Artificial y Big Data: Relación y aplicaciones.Big Data en Salud: Retos y beneficios.People Analytics en RRHH: Aplicaciones en recursos humanos.Unidad Didáctica 5: Business Intelligence y la Sociedad de la InformaciónDefinición y Conceptos: Business Intelligence y su impacto.Arquitectura de Soluciones BI: Sistemas y procesos.Ventajas y Riesgos: Evaluación del uso de BI.Unidad Didáctica 6: Productos Principales de Business IntelligenceCuadros de Mando Integrales (CMI)Sistemas de Soporte a la Decisión (DSS)Sistemas de Información Ejecutiva (EIS)Unidad Didáctica 7: Minería de Datos y Aprendizaje AutomáticoIntroducción al Data Mining: Técnicas y aplicaciones.Proceso KDD: Conocimiento a partir de datos.Modelos y Técnicas: Análisis de datos.Unidad Didáctica 8: DataMartConcepto de DataMart: Uso y beneficios.Bases de Datos OLTP y OLAP: Comparación y aplicaciones.Unidad Didáctica 9: DataWarehouseVisión General: Importancia y características.Fases de Implantación: Construcción y mantenimiento.Unidad Didáctica 10: Internet de las Cosas (IoT)Ecosistema IoT: Componentes y arquitectura.Ejemplos de Uso y Retos: Aplicaciones y desafíos futuros.Unidad Didáctica 11: StorytellingData Storytelling: Técnicas y importancia.Elementos Clave: Cómo crear narrativas con datos.Unidad Didáctica 12: Ecosistema HadoopHadoop y Big Data: Relación y usos.Componentes del Ecosistema Hadoop: HDFS, MapReduce, Hive, Hue, Spark.MÓDULO 2: Talend Open StudioUnidades Didácticas 1-7Introducción a BPM y Talend: Procesos ETL y ventajas.Trabajando con Talend: Lectura, ordenación y manipulación de datos.Componentes Avanzados de Talend: tMap, manejo de clusters, integración con Big Data.MÓDULO 3: Data ScienceUnidades Didácticas 1-9Introducción a la Ciencia de Datos: Herramientas y aspectos legales.Bases de Datos Relacionales y NoSQL: Comparación y uso de MongoDB.WEKA y Pentaho: Data mining y herramientas de análisis.R para Big Data: Estadística y modelos predictivos.Pre-procesamiento y Análisis de Datos: Técnicas de limpieza y análisis.MÓDULO 4: Análisis de Datos con PythonUnidades Didácticas 1-15Librerías para Análisis de Datos: NumPy, Pandas, Matplotlib.Machine Learning: Técnicas y algoritmos (regresión, árboles de decisión, SVM, etc.).MÓDULO 5: Visualización de DatosUnidades Didácticas 1-6Introducción y Herramientas: Tableau, D3, Looker Studio, QlikView, Power BI, CARTO.MÓDULO 6: Visualización de Datos en R con ggplot2Unidades Didácticas 1-16ggplot2: Creación de gráficos, temas, ejes, leyendas, etc.Interactividad: Gráficos interactivos y técnicas avanzadas.MÓDULO 7: Analítica WebUnidades Didácticas 1-11Google Analytics y Tag Manager: Uso y configuración.SEO y SEM: Técnicas de optimización y análisis.Herramientas Adicionales: Hotjar, Power BI, Search Console.MÓDULO 8: Inteligencia Artificial, Machine Learning y Deep LearningUnidades Didácticas 1-17Introducción a IA y ML: Tipos y algoritmos.Relación con Big Data: Combinación y aplicaciones.Deep Learning: Redes neuronales, TensorFlow y Keras.MÓDULO 9: PLN, Chatbots e Inteligencia ArtificialUnidades Didácticas 1-8Procesamiento del Lenguaje Natural: Herramientas y aplicaciones.Chatbots: Desarrollo y uso en diferentes plataformas.MÓDULO 10: Visión Artificial en Industria 4.0 con Python y OpenCVUnidades Didácticas 1-8Componentes de un Sistema de Visión Artificial: Cámaras, iluminación, algoritmos.OpenCV: Instalación, manejo de archivos e imágenes, procesamiento avanzado.
