Según las principales consultoras tecnológicas, la demanda de especialistas en Inteligencia de Negocio y Big Data crecerá de manera exponencial en los próximos años. Este máster permite dominar técnicas de análisis de datos, estadística avanzada, machine learning y visualización, transformando grandes volúmenes de información en decisiones estratégicas. Prepárate para liderar proyectos de Business Analytics y convertir los datos en ventaja competitiva para cualquier organización.
Objetivos
- Diferenciar los conceptos de Big Data, Business Intelligence y Analytics, evitando confusiones en un mundo donde todo se etiqueta como “Big Data”. - Adquirir una visión global del ecosistema Big Data & Analytics, incluyendo tecnologías, herramientas y perfiles profesionales. - Identificar estrategias y oportunidades de negocio basadas en datos, gestionando proyectos y equipos de manera efectiva. - Comprender los aspectos legales y éticos del manejo de datos, así como la complejidad técnica y científica asociada. - Desarrollar la capacidad de interlocución y liderazgo en entornos de Big Data, conociendo las herramientas más relevantes del mercado.
Metodología
En Educa PHAROS trabajamos con una metodología eminentemente práctica, orientada a la aplicación directa de los conocimientos en el entorno profesional del alumno, combinando contenidos teóricos con casos reales, herramientas digitales y el acompañamiento de un equipo docente especializado.
Programa
Data information
Knowledge wisdom
Data Management (I)
Data Management (II)
Corporate perfomance management
Bases de Datos
Business intelligence
Datawarehousing
Big data
Hadoop Spark
Ecosistema Hadoop (I)
Ecosistema Hadoop (II)
Ecosistema Hadoop (III)
Ecosistema Spark
Instalación y configuración de arquitecturas Big Data
Analytics
Principales algoritmos (I)
Principales algoritmos (II)
Machine Learning y Deep Learning
Internet Of Things
Introducción a Power BI
Diferentes tipos de Power BI: ¿es realmente gratis?
Sumerjámonos en ello: primer informe simple
Power Query: fuente de datos
Transformación de datos
Modelado de datos
Comenzando con DAX (I)
Comenzando con DAX (II)
Dominando DAX (I)
Dominando DAX (II)
Tabla y matriz
Tendencias
Cómo filtrar tus datos adecuadamente
Marcadores
Obtención de detalles
Entendiendo Power BI Service
Compartiendo contenido en Power BI Service
Comparando Power BI Service y Power Report Service
Integrando Python y R en Power BI Desktop
Introduciendo Bravo para Power BI Desktop
Introducción a SQL
Manipulación de bases de datos
Tipos de datos
Normalización
Creación de tablas en SQL
Manipulación de tablas
Consulta de tablas en SQL
Combinación de tablas en SQL
Combinaciones de tablas y vistas
Otros comandos en SQL
Funciones para strings y funciones numéricas (I)
Funciones numéricas (II)
Funciones de fecha y hora
Otras funciones
Bucles, condicionales y triggers en SQL
Introducción al datawarehousing
Bases de datos en un datawarehouse. Stage
Bases de datos en un datawarehouse. ODS (I)
Datos en un datawarehouse. ODS (II)
Bases de datos en un datawarehouse. DDS
Introducción a Python
Características y aplicaciones
Instalación de Python
Configuración de un entorno de desarrollo
Sintaxis básica de Python
Variables y tipos de datos
Operadores y expresiones
Uso de comentarios
Introducción al control de flujo
Estructuras condicionales (if, elif, else)
Bucles (for y while)
Control de bucles (break y continue)
Análisis de datos con NumPy
Pandas
Matplotlib
Cómo usar loc en Pandas
Cómo eliminar una columna en Pandas
Pivot tables en pandas
El grupo de pandas
Python Pandas fusionando marcos de datos
Matplotlib
Seaborn
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
Concepto de Bases de Datos NoSQL
Ventajas y desventajas de las Bases de Datos NoSQL
Características principales de las Bases de Datos NoSQL
Bases de datos Documentales
Bases de datos de Columnas
Bases de datos Clave-Valor
Base de datos en grafos
Introducción a MongoDB
Características y arquitectura de MongoDB
Modelado de datos en MongoDB
Consultas y operaciones en MongoDB
Escalabilidad y rendimiento en MongoDB
Apache Cassandra
CouchDB
Redis
Amazon DynamoDB
NeoJS
Diseño de la estructura de datos
Configuración del entorno de desarrollo
Instalación y configuración de MongoDB
Creación y manipulación de colecciones en MongoDB
Importación y exportación de datos en MongoDB
Índices y optimización de consultas en MongoDB
Agregación de datos en MongoDB
Transacciones en MongoDB
Replicación y alta disponibilidad en MongoDB
Copias de seguridad y recuperación en MongoDB
Aplicaciones web y móviles
Big Data y análisis de datos
Internet de las cosas (IoT)
Sistemas de recomendación
Social media y redes sociales
Introducción a la integración de datos
Integración con lenguajes de programación (Python, Java, etc.)
Integración con herramientas de Business Intelligence (BI)
Integración con sistemas de almacenamiento en la nube
Conceptos de seguridad en Bases de Datos NoSQL
Autenticación y autorización en MongoDB
Encriptación de datos en Bases de Datos NoSQL
Auditoría y control de acceso en Bases de Datos NoSQL
Introducción
Alfabetización de los datos
Trabajar con datos
Soluciones y técnicas para tratamiento de datos
Gestión de la calidad de datos
Trabajar con datos en Excel
Conjunto de datos (DATASET)
Data Cleasing con Excel
Data Wrangling con Excel
Data Blending en Excel
Instalación Talend Data Preparation Desktop
Trabajar con datos en Talend
Data Cleasing con Talend
Data Wrangling con Talend
Data Blending con Talend
Registro en dataprep by Trifacta
Trabajar con datos con Dataprep by Trifacta
Data Cleasing con Trifacta
Data Wrangling con Dataprep by Trifacta
Data Blending con Dataprep by Trifacta
Introducción
Regresión lineal, múltiple y logística (I)
Regresión lineal, múltiple y logística (II)
Máquina de vectores soporte (SVM)
Árboles de decisión
KNN (K-Nearest Neighbors)
Naive bayes
Evaluación de modelos supervisados
Ejercicio de ejemplo
Ejercicio propuesto
Introducción a clustering. propósito y métricas
K-means clustering
Clústering jerárquico, otras técnicas y ejemplos
Análisis de componentes principales (PCA)
Ejercicio de ejemplo PCA
Redes neuronales artificiales (ANN) (I)
Redes neuronales artificiales (ANN) (II)
Redes neuronales artificiales (ANN) (III)
Ejercicio de ejemplo
Ejercicio propuesto
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
Introducción
Algoritmos
Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
Clasificadores
Algoritmos
Componentes
Aprendizaje
Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
Redes neuronales
Redes profundas y redes poco profundas
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
Tipos de redes profundas
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
Estado del arte de la inteligencia artificial
Filosofía de la inteligencia artificial
Futuro de la inteligencia artificial
Procesos de desarrollo de proyecto con inteligencia artificial
Los datos, tu mayor activo
Aprendizaje automático
Aprendizaje profundo
Transformers
Generación de datos sintéticos
Hiperparámetros en los modelos de inteligencia artificial
Regresión lineal
Regresión no lineal y Support Vector Machine (SVM)
Árboles de decisión y bosques aleatorios
Lógica difusa y descenso del gradiente
Sistemas de recomendación
Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
Educa PHAROS es una solución formativa para empresas que centraliza el aprendizaje, facilita la gestión de usuarios y permite medir el progreso mediante paneles y reportes.
Está dirigido a organizaciones que desean desarrollar habilidades internas, estandarizar la formación por roles y disponer de trazabilidad y métricas de aprendizaje.
Incluye itinerarios por perfiles, gestión de usuarios y permisos, reportes de progreso, certificación, y acceso a masterclass o sesiones en vivo (según plan).
Se apoya en buenas prácticas de seguridad, control de accesos, trazabilidad del aprendizaje y soporte de implementación. Personaliza este texto según tus compromisos (SLA, compliance, etc.).
Educa PHAROS es un modelo formativo de nueva generación que posiciona al capital humano de la empresa a la vanguardia. A través de una plataforma que se adapta a la imagen corporativa de cada empresa y con un total de más de 900 cursos se consigue una formación específica para cada organización. La tarifa plana ilimitada, proporciona a cada empresa el número de cursos que se ajuste a sus necesidades y también la posibilidad de determinar qué empleados podrán tener acceso.
Transformación digital e Infraestructuras Inteligentes 
Español 
Créditos 60 ECTS
Dirección y Gestión 
Español
60 ECTS