Home / FACULTAD DE CIENCIA DE DATOS E INTELIGENCIA ARTIFICIAL / Máster en Big Data

Máster en Big Data

Incluye contenido gratis con tu suscripción

Solicita información gratis

Estoy de acuerdo con la Política de privacidad.

Matricúlate ahora online

Sobre este curso

Titulación universitaria

1500 h

Online

60 ECTS (Créditos)

Facultad De Ciencia De Datos E Inteligencia Artificial

Big Data

Másteres De Formación Permanente

Titulación de Máster en Big Data

Doble Titulación: - Título Oficial de Master Oficial Universitario en Big Data expedida por la Universidad e-Campus acreditado con 60 ECTS Universitarios. Su superación dará derecho a la obtención del correspondiente Título Oficial de Máster, el cual puede habilitar para la realización de la Tesis Doctoral y obtención del título de Doctor/a. - Titulación de Master en Big Data con 1500 horas expedida por EUROINNOVA INTERNATIONAL ONLINE EDUCATION, miembro de la AEEN (Asociación Española de Escuelas de Negocios) y reconocido con la excelencia académica en educación online por QS World University Rankings

Esta formación incluye contenido gratis con tu suscripción Educa University

¿Aún no te has suscrito? En Educa University, respondemos ágilmente a las necesidades educativas de un mundo digitalizado y en constante cambio. Somos líderes en el desarrollo de programas educativos y herramientas IA, con alianzas con prestigiosas universidades en Europa, Estados Unidos y América Latina.

Suscríbete ahora

Objetivos

Aprender los principios del Big Data y el desarrollo de las fases de un proyecto de Big Data.

Conocer las herramientas existentes y su uso para analizar y explotar datos masivos.

Explotar datos y visualizar resultados a través de técnica de Data Science.

Comprender y utilizar la programación estadística con R y Python.

Conocer en qué consiste el Data Mining y aplicarlo correctamente.

Saber utilizar las analíticas web para Big Data y aplicarlas mediante Google Analytics

Contenido

MÓDULO 1. BIG DATA INTRODUCTION

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
¿Qué es Big Data?
La era de las grandes cantidades de información. Historia del big data
La importancia de almacenar y extraer información
Big Data enfocado a los negocios
Open Data
Información pública
IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
Definición y relevancia de la selección de las fuentes de datos
Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
Definición, Beneficios y Características
Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
Diagnóstico inicial
Diseño del proyecto
Proceso de implementación
Monitorización y control del proyecto
Responsable y recursos disponibles
Calendarización
Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
Definiendo el concepto de Business Intelligence y sociedad de la información
Arquitectura de una solución de Business Intelligence
Business Intelligence en los departamentos de la empresa
Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
Sistemas operacionales y Procesos ETL en un sistema de BI
Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
Cuadros de Mando Integrales (CMI)
Sistemas de Soporte a la Decisión (DSS)
Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING
Apoyo del Big Data en el proceso de toma de decisiones
Toma de decisiones operativas
Marketing estratégico y Big Data
Nuevas tendencias en management
UNIDAD DIDÁCTICA 8.DEL BIG DATA AL LINKED OPEN DATA
Concepto de web semántica
Linked Data Vs Big Data
Lenguaje de consulta SPARQL
UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras

MÓDULO 2. ARQUITECTURA BIG DATA

UNIDAD DIDÁCTICA 1. BATCH PROCESSING
Hadoop
Pig
Hive
Sqoop
Flume
Spark Core
Spark 2.0
UNIDAD DIDÁCTICA 2. STREAMING PROCESSING
Fundamentos de Streaming Processing
Spark Streaming
Kafka
Pulsar y Apache Apex
Implementación de un sistema real-time
UNIDAD DIDÁCTICA 3. SISTEMAS NOSQL
Hbase
Cassandra
MongoDB
NeoJ
Redis
Berkeley DB
UNIDAD DIDÁCTICA 4. INTERACTIVE QUERY
Lucene + Solr
UNIDAD DIDÁCTICA 5. SISTEMAS DE COMPUTACIÓN HÍBRIDOS
Arquitectura Lambda
Arquitectura Kappa
Apache Flink e implementaciones prácticas
Druid
ElasticSearch
Logstash
Kibana
UNIDAD DIDÁCTICA 6. CLOUD COMPUTING
Amazon Web Services
Google Cloud Platform
UNIDAD DIDÁCTICA 7. ADMINISTRACIÓN DE SISTEMAS BIG
Administración e Instalación de clusters: Cloudera y Hortonworks
Optimización y monitorización de servicios
Seguridad: Apache Knox, Ranger y Sentry
UNIDAD DIDÁCTICA 8. VISUALIZACIÓN DE DATOS
Herramientas de visualización: Tableau y CartoDB
Librerías de Visualización: D, Leaflet, Cytoscape

MÓDULO 3. TECNOLOGÍAS APLICADAS A BUSINESS INTELLIGENCE

UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y Técnicas de Data Mining
Áreas de aplicación
Minería de textos y Web Mining
Data mining y marketing
UNIDAD DIDÁCTICA 2. DATAMART. CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
Aproximación al concepto de DataMart
Bases de datos OLTP
Bases de Datos OLAP
MOLAP, ROLAP & HOLAP
Herramientas para el desarrollo de cubos OLAP
UNIDAD DIDÁCTICA 3. DATAWAREHOUSE O ALMACÉN DE DATOS CORPORATIVOS
Visión General. ¿Por qué DataWarehouse?
Estructura y Construcción
Fases de implantación
Características
Data Warehouse en la nube
UNIDAD DIDÁCTICA 4. INTELIGENCIA DE NEGOCIO Y HERRAMIENTAS DE ANALÍTICA
Tipos de herramientas para BI
Productos comerciales para BI
Productos Open Source para BI
Beneficios de las herramientas de BI
UNIDAD DIDÁCTICA 5. HERRAMIENTA POWERBI
1. Business Intelligence en Excel
Herramienta Powerbi
UNIDAD DIDÁCTICA 6. HERRAMIENTA TABLEAU
Herramienta Tableau
UNIDAD DIDÁCTICA 7. HERRAMIENTA QLIKVIEW
Instalación y arquitectura
Carga de datos
Informes
Transformación y modelo de datos
Análisis de datos

MÓDULO 4. HERRAMIENTAS PARA EXPLOTACIÓN Y ANÁLISIS DE BIG DATA

UNIDAD DIDÁCTICA 1. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
¿Qué es una base de datos NoSQL?
Bases de datos Relaciones Vs Bases de datos NoSQL
Tipo de Bases de datos NoSQL. Teorema de CAP
Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 2.INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL. MONGODB
¿Qué es MongoDB?
Funcionamiento y uso de MongoDB
Primeros pasos con MongoDB. Instalación y shell de comandos
Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos
Actualización de datos en MongoDB. Sentencias set y update
Trabajando con índices en MongoDB para optimización de datos
Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 3. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP
¿Qué es Hadoop?
El sistema de archivos HDFS
Algunos comandos de referencia
Procesamiento MapReduce con Hadoop
El concepto de los clusters en Hadoop
UNIDAD DIDÁCTICA 4. WEKA Y DATA MINING
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
UNIDAD DIDÁCTICA 5. PENTAHO UNA SOLUCIÓN OPEN SOURCE PARA BUSINESS INTELLIGENCE
Una aproximación a Pentaho
Soluciones que ofrece Pentaho
MongoDB & Pentaho
Hadoop & Pentaho
Weka & Pentaho

MÓDULO 5. INTRODUCCIÓN A LA PROGRAMACIÓN ESTADÍSTICA

UNIDAD DIDÁCTICA 1. PYTHON Y EL ANÁLISIS DE DATOS
Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 2. R COMO HERRAMIENTA PARA BIG DATA
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop

MÓDULO 6. DATA SCIENCE

UNIDAD DIDÁCTICA 1.INTRODUCCIÓN A LA CIENCIA DE DATOS
¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Compunting
Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2.BASES DE DATOS RELACIONALES
Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL. Una base de datos relacional
UNIDAD DIDÁCTICA 3. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
UNIDAD DIDÁCTICA 4. ANÁLISIS DE LOS DATOS
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados

MÓDULO 7. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
Introducción a la inteligencia artificial
Historia
La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
Sistemas expertos
Estructura de un sistema experto
Inferencia: Tipos
Fases de construcción de un sistema
Rendimiento y mejoras
Dominios de aplicación
Creación de un sistema experto en C#
Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
Futuro de la inteligencia artificial
Impacto de la IA en la industria
El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
Introducción
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
Introducción
Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
Clasificadores
Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
Componentes
Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
Redes neuronales
Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
Tipos de redes profundas
Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa

MÓDULO 8. CIBERSEGURIDAD APLICADA A INTELIGENCIA ARTIFICIAL (IA), SMARTPHONES, INTERNET DE LAS COSAS (IOT) E INDUSTRIA 4.0

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y CONCEPTOS BÁSICOS
La sociedad de la información
Diseño, desarrollo e implantación
Factores de éxito en la seguridad de la información
UNIDAD DIDÁCTICA 2. COMUNICACIONES SEGURAS: SEGURIDAD POR NIVELES
Seguridad a Nivel Físico
Seguridad a Nivel de Enlace
Seguridad a Nivel de Red
Seguridad a Nivel de Transporte
Seguridad a Nivel de Aplicación
UNIDAD DIDÁCTICA 3. CIBERSEGURIDAD EN NUEVAS TECNOLOGÍAS
Concepto de seguridad TIC
Tipos de seguridad TIC
Aplicaciones seguras en Cloud
Plataformas de administración de la movilidad empresarial (EMM)
Redes WiFi seguras
Caso de uso: Seguridad TIC en un sistema de gestión documental
UNIDAD DIDÁCTICA 4. CIBERSEGURIDAD EN SMARTPHONES
Buenas prácticas de seguridad móvil
Protección de ataques en entornos de red móv
UNIDAD DIDÁCTICA 5. INTELIGENCIA ARTIFICIAL (IA) Y CIBERSEGURIDAD
Inteligencia Artificial
Tipos de inteligencia artificial
Impacto de la Inteligencia Artificial en la ciberseguridad
UNIDAD DIDÁCTICA 6. CIBERSEGURIDAD E INTERNET DE LAS COSAS (IOT)
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras
Vulnerabilidades de IoT
Necesidades de seguridad específicas de IoT
UNIDAD DIDÁCTICA 7. SEGURIDAD INFORMÁTICA EN LA INDUSTRIA 4.0
Industria 4.0
Necesidades en ciberseguridad en la Industria 4.0

MÓDULO 9. PROYECTO FIN DE MÁSTER

Metodología

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura con nosotros a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. Las horas de teleformación realizadas en el Campus Virtual se complementan con el trabajo autónomo del alumno, la comunicación con el docente, las actividades y lecturas complementarias y la labor de investigación. El Proyecto Fin de Máster se realiza tras finalizar el contenido teórico-práctico en el Campus que será calificado con una puntuación entre 0-6 puntos. Finalmente tendrán que realizar un examen oficial de forma presencial en español de cada una de las asignaturas del máster, pudiendo realizarse en la sedes de Madrid o Bogotá o en cualquiera de las sedes de la Cámara de Comercio con la que la Universidad tiene un convenio para la realización de las evaluaciones presenciales. Actualmente estos exámenes se están realizando de forma online excepcionalmente por la situación de Covid.

Para qué te prepara

Con este Máster de Big Data podrás analizar grandes volúmenes de datos y poder aplicarlos a cualquier sector para poder adecuar el desarrollo empresarial de cualquier organización, haciendo posible la adaptación y mejora al mercado y su consecuente. También podrás explotar todo el volumen de datos a través de programación en R y en Python. Aprenderás a aplicar todos los conocimientos en Big Data para el Cloud Computing con Linux y Azure. Su superación dará derecho a la obtención del correspondiente Título Oficial de Máster, el cual puede habilitar para la realización de la Tesis Doctoral y obtención del título de Doctor/a.

A quién va dirigido

El Máster de Big Data puede aplicarse a muchos sectores y perfiles, por lo que es ideal para aquellas personas que quieran conocer en qué consiste el Big Data, como pueden aplicarlo en distintos ámbitos con el objetivo de mejorar su carrera profesional y con qué herramientas se puede llevar a cabo dichos análisis de procesamiento de grandes volúmenes de datos.

Oportunidades profesionales

Gracias a este Máster Oficial Universitario de Big Data el alumno podrá trabajar en diversos puestos dentro del sector, como: - Consultor/auditor de sistemas Big Data. - Analista de datos. - Arquitecto en soluciones Big Data.- Experto en estrategias de desarrollo mediante Big Data. - Programador de aplicaciones en Python y R. - Investigación en Big Data.