MÓDULO 1. BIG DATA Y STORYTELLING

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
2. ¿Qué es Big Data?
3. La era de las grandes cantidades de información: historia del big data
4. La importancia de almacenar y extraer información
5. Big Data enfocado a los negocios
6. Open data
7. Información pública
8. IoT (Internet of Things-Internet de las cosas)
10. UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
11. Definición y relevancia de la selección de las fuentes de datos
12. Naturaleza de las fuentes de datos Big Data
14. UNIDAD DIDÁCTICA 3. OPEN DATA
15. Definición, Beneficios y Características
16. Ejemplo de uso de Open Data
18. UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
19. Diagnóstico inicial
20. Diseño del proyecto
21. Proceso de implementación
22. Monitorización y control del proyecto
23. Responsable y recursos disponibles
24. Calendarización
25. Alcance y valoración económica del proyecto
27. UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
28. Definiendo el concepto de Business Intelligence y Sociedad de la Información
29. Arquitectura de una solución Business Intelligence
30. Business Intelligence en los departamentos de la empresa
31. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
32. Sistemas Operacionales y Procesos ETL en un sistema de BI
33. Ventajas y Factores de Riesgos del Business Intelligence
35. UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
36. Cuadros de Mando Integrales (CMI)
37. Sistemas de Soporte a la Decisión (DSS)
38. Sistemas de Información Ejecutiva (EIS)
40. UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING
41. Apoyo del Big Data en el proceso de toma de decisiones
42. Toma de decisiones operativas
43. Marketing estratégico y Big Data
44. Nuevas tendencias en management
45. Ejercicios Prácticos
47. UNIDAD DIDÁCTICA 8. DEL BIG DATA AL LINKED OPEN DATA
48. Concepto de Web Semántica
49. Linked Data Vs. Big Data
50. Lenguaje de consulta SPARQL
52. UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS
53. Contexto Internet de las Cosas (IoT)
54. ¿Qué es IoT?
55. Elementos que componen el ecosistema IoT
56. Arquitectura IoT
57. Dispositivos y elementos empleados
58. Ejemplos de uso
59. Retos y líneas de trabajo futuras
61. UNIDAD DIDÁCTICA 10. STORYTELLING
62. ¿Qué es el Data Storytelling?
63. Elementos clave del Data Storytelling
64. ¿Por qué es importante el Data Storytelling?
65. ¿Cómo hacer Data Storytelling?

MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
2. ¿Qué es la ciencia de datos?
3. Herramientas necesarias para el científico de datos
4. Data Science & Cloud Computing
5. Aspectos legales en Protección de Datos
7. UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
8. Introducción
9. El modelo relacional
10. Lenguaje de consulta SQL
11. MySQL Una base de datos relacional
13. UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
14. ¿Qué es una base de datos NoSQL?
15. Bases de datos Relaciones Vs Bases de datos NoSQL
16. Tipo de Bases de datos NoSQL Teorema de CAP
17. Sistemas de Bases de datos NoSQL
19. UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
20. ¿Qué es MongoDB?
21. Funcionamiento y uso de MongoDB
22. Primeros pasos con MongoDB: Instalación y shell de comandos
23. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
24. Actualización de datos en MongoDB: Sentencias set y update
25. Trabajando con índices en MongoDB para optimización de datos
26. Consulta de datos en MongoDB
28. UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING
29. ¿Qué es Weka?
30. Técnicas de Data Mining en Weka
31. Interfaces de Weka
32. Selección de atributos
34. UNIDAD DIDÁCTICA 6. PENTAHO
35. Una aproximación a PENTAHO
36. Soluciones que ofrece PENTAHO
37. MongoDB & PENTAHO
38. Hadoop & PENTAHO
39. Weka & PENTAHO
41. UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA
42. Introducción a R
43. ¿Qué necesitas?
44. Tipos de datos
45. Estadística Descriptiva y Predictiva con R
46. Integración de R en Hadoop
48. UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
49. Obtención y limpieza de los datos (ETL)
50. Inferencia estadística
51. Modelos de regresión
52. Pruebas de hipótesis
54. UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS
55. Inteligencia Analítica de negocios
56. La teoría de grafos y el análisis de redes sociales
57. Presentación de resultados

MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
2. UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
3. UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
4. UNIDAD DIDÁCTICA 4. PIVOT TABLES
5. UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
6. UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
7. UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
8. UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
9. UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
10. UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
11. UNIDAD DIDÁCTICA 11. NAIVE BAYES
12. UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
13. UNIDAD DIDÁCTICA 13. KNN
14. UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
15. UNIDAD DIDÁCTICA 15. RANDOM FOREST

MÓDULO 4. DATA MINING, APRENDIZAJE AUTOMÁTICO Y MACHINE LEARNING

1. UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
2. Introducción a la minería de datos y el aprendizaje automático
3. Proceso KDD
4. Modelos y Técnicas de Data Mining
5. Áreas de aplicación
6. Minería de textos y Web Mining
7. Data mining y marketing
9. UNIDAD DIDÁCTICA 2. EL CICLO DE DATA MINING: FASES Y TIPOS DE PROBLEMAS
10. Tipos de problemas
11. Implicaciones de los datos, dominios, técnicas en las fases del proceso
12. Casos de uso
14. UNIDAD DIDÁCTICA 3. TÉCNICAS DE DATA MINING
15. Clasificación o Arboles de decisión o Naive Bayes
16. Clustering o K-means o EM
17. Asociacion o A priori
19. UNIDAD DIDÁCTICA 4. ECOSISTEMA HADOOP
20. ¿Qué es Hadoop? Relación con Big Data
21. Instalación y configuración de insfraestructura y ecosistema Hadoop
22. Sistema de archivos HDFS
23. MapReduce con Hadoop
24. Apache Hive
25. Apache Hue
26. Apache Spark
28. UNIDAD DIDÁCTICA 5. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
29. Introducción a la inteligencia artificial
30. Historia
31. La importancia de la IA
33. UNIDAD DIDÁCTICA 6. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
34. Algoritmos aplicados a la inteligencia artificial
36. UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
37. Relación entre inteligencia artificial y big data
38. IA y Big Data combinados
39. El papel del Big Data en IA
40. Tecnologías de IA que se están utilizando con Big Data
42. UNIDAD DIDÁCTICA 8. SISTEMAS EXPERTOS
43. Sistemas expertos
44. Estructura de un sistema experto
45. Inferencia: Tipos
46. Fases de construcción de un sistema
47. Rendimiento y mejoras
48. Dominios de aplicación
49. Creación de un sistema experto en C#
50. Añadir incertidumbre y probabilidades
52. UNIDAD DIDÁCTICA 9. INTRODUCCIÓN AL MACHINE LEARNING
53. Introducción
54. Clasificación de algoritmos de aprendizaje automático
55. Ejemplos de aprendizaje automático
56. Diferencias entre el aprendizaje automático y el aprendizaje profundo
57. Tipos de algoritmos de aprendizaje automático
58. El futuro del aprendizaje automático
60. UNIDAD DIDÁCTICA 10. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
61. Introducción
62. Algoritmos
64. UNIDAD DIDÁCTICA 11. SISTEMAS DE RECOMENDACIÓN
65. Introducción
66. Filtrado colaborativo
67. Clusterización
68. Sistemas de recomendación híbridos
70. UNIDAD DIDÁCTICA 12. CLASIFICACIÓN
71. Clasificadores
72. Algoritmos
74. UNIDAD DIDÁCTICA 13. REDES NEURONALES Y DEEP LEARNING
75. Componentes
76. Aprendizaje
78. UNIDAD DIDÁCTICA 14. SISTEMAS DE ELECCIÓN
79. Introducción
80. El proceso de paso de DSS a IDSS
81. Casos de aplicación

MÓDULO 5. DESARROLLO DE DEEP LEARNING

1. UNIDAD DIDÁCTICA 1. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
2. Aprendizaje profundo
3. Entorno de Deep Learning con Python
4. Aprendizaje automático y profundo
6. UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES
7. Redes neuronales
8. Redes profundas y redes poco profundas
10. UNIDAD DIDÁCTICA 3. REDES DE UNA SOLA CAPA
11. Perceptrón de una capa y multicapa
12. Ejemplo de perceptrón
14. UNIDAD DIDÁCTICA 4. REDES MULTICAPA
15. Tipos de redes profundas
16. Trabajar con TensorFlow y Python
18. UNIDAD DIDÁCTICA 5. ESTRATEGIAS DE APRENDIZAJE
19. Entrada y salida de datos
20. Entrenar una red neuronal
21. Gráficos computacionales
22. Implementación de una red profunda
23. El algoritmo de propagación directa
24. Redes neuronales profundas multicapa

MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
2. ¿Qué es PLN?
3. ¿Qué incluye el PLN?
4. Ejemplos de uso de PLN
5. Futuro del PLN
7. UNIDAD DIDÁCTICA 2. PLN EN PYTHON
8. PLN en Python con la librería NLTK
9. Otras herramientas para PLN
11. UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
12. Principios del análisis sintáctico
13. Gramática libre de contexto
14. Analizadores sintácticos (Parsers)
16. UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
17. Aspectos introductorios del análisis semántico
18. Lenguaje semántico para PLN
19. Análisis pragmático
21. UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
22. Aspectos introductorios
23. Pasos en la extracción de información
24. Ejemplo PLN
25. Ejemplo PLN con entrada de texto en inglés
27. UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
28. Aspectos introductorios
29. ¿Qué es un chatbot?
30. ¿Cómo funciona un chatbot?
31. VoiceBots
32. Desafios para los Chatbots
34. UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
35. Chatbots y el papel de la Inteligencia Artificial (IA)
36. Usos y beneficios de los chatbots
37. Diferencia entre bots, chatbots e IA
39. UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
40. Áreas de aplicación de Chatbots
41. Desarrollo de un chatbot con ChatterBot y Python
42. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 7. POWER BI

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A POWER BI
2. ¿Qué es Power BI?
3. Funciones de Power BI
4. Versiones de Power BI
5. Roles de Power BI
6. Planificación de proyectos con Power BI
8. UNIDAD DIDÁCTICA 2. INSTALACIÓN DE POWER BI
9. Instalación y puesta en marcha
10. Conexión de datos a Power BI
11. Filtrado de datos
12. Vista de datos
14. UNIDAD DIDÁCTICA 3. MODELADO DE DATOS
15. Introducción al modelado de datos
16. Creación de medidas
17. Creación y relación entre tablas
18. Creación de columnas y medidas calculadas
19. Dinamizar columnas
20. Fórmulas de consulta
22. UNIDAD DIDÁCTICA 4. VISUALIZACIÓN DE DATOS
23. Creación de gráficas
24. Tablas dinámicas
25. Segmentación de datos
26. Uso de objetos visuales
27. Formas y cuadros de texto
28. Imágenes
29. Matrices y tablas
30. Cómo crear un velocímetro
31. Mapas
32. Slicers
33. Cómo modificar colores
35. UNIDAD DIDÁCTICA 5. DASHBOARDS
36. Uso del Dashboard
37. Compartir Dashboards
38. Añadir Widgets
39. Cómo crear reportes
40. Ajustes del panel
41. Preguntas y respuestas del Dashboard
43. UNIDAD DIDÁCTICA 6. USO COMPARTIDO DE DATOS
44. Exportar datos de Power BI a Excel
45. Exportar Dashboards
46. Crear paquetes de contenido
47. Presentación de informes
48. Cómo públicar y compartir informes
49. Introducción a Power BI mobile

MÓDULO 8. ANALÍTICA WEB

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB
2. ¿Qué es la analítica web?
3. Establecimiento de objetivos y KPIs
4. Métricas principales y avanzadas
5. Objetivos y ventajas de medir
6. Plan de medición
8. UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4
9. Introducción a Google Analytics 4
10. Interfaz
11. Métricas y dimensiones
12. Informes básicos
13. Filtros
14. Segmentos
15. Eventos
16. Informes personalizados
17. Comportamiento de los usuarios e interpretación de datos
19. UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER
20. Introducción a GTM
21. Implementación con GTM
22. Medición con GTM
23. Uso de Debug/Preview Mode
25. UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN
26. La atribución
27. Multicanalidad
28. Customer Journey
29. Principales modelos de atribución
30. Modelos de atribución personalizados
32. UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO
33. Planificación del Dashboard
34. Características del Dashboard
35. Introducción a Data Studio
36. Conectores
37. Tipos de gráficos
38. Personalización de informes
39. Elementos de control
40. Dimensiones y métricas
41. Campos Calculados
42. Compartir informes
44. UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO
45. Introducción al SEO
46. Historia de los motores de búsqueda
47. Componentes de un motor de búsqueda
48. Organización de resultados en un motor de búsqueda
49. La importancia del contenido
50. El concepto de autoridad en Internet
51. Campaña SEO
53. UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM
54. Introducción al SEM
55. Principales conceptos en SEM
56. Sistema de pujas y Calidad del anuncio
57. Primer contacto con Google Ads
58. Creación de anuncios con calidad
59. Indicadores clave de rendimiento en SEM
61. UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES
62. Análisis del tráfico en redes sociales
63. Fijar objetivos en redes sociales
64. Facebook
65. Twitter
66. Youtube
67. LinkedIn
68. Tik tok
69. Instagram
71. UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS
72. Usabilidad
73. Mapas de calor
74. Grabaciones de sesiones de usuario
75. Ordenación de tarjetas
76. Test A/B
77. Test multivariante
78. KPI, indicadores clave de rendimiento
79. Cambios a realizar para optimizar una página web
81. UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB
82. Hotjar
83. Microsoft Power BI
84. Google Search Console
85. Matomo
86. Awstats
87. Chartbeat
88. Adobe Analytics
90. UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO
91. ¿Qué son las cookies?
92. Tipos de cookies
93. GDPR
94. Herramientas para manejar el consentimiento de cookies

MÓDULO 9. PROYECTO FIN DE MÁSTER