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.
Objectives
- 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.
Methodology
At Educa PHAROS, we use a highly practical methodology focused on the direct application of knowledge in the student’s professional environment, combining theoretical content with real-world case studies, digital tools, and the guidance of a specialized teaching team.
Program
Data information
Knowledge wisdom
Data Management (I)
Data Management (II)
Corporate perfomance management
Bases de Datos
Business Intelligence
Data Warehousing
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)
Recommendation Systems
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
Introduction
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
Introduction
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
Introduction
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
Introduction
Algoritmos
Introduction
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
Clasificadores
Algoritmos
Componentes
Aprendizaje
Introduction
El proceso de paso de DSS a IDSS
Casos de aplicación
Deep Learning
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
The State of the Art in Artificial Intelligence
Philosophy of Artificial Intelligence
The Future of Artificial Intelligence
Project Development Processes Using Artificial Intelligence
Data: Your Greatest Asset
Machine Learning
Deep Learning
Transformers
Synthetic Data Generation
Hyperparameters in Artificial Intelligence Models
Linear Regression
Nonlinear Regression and Support Vector Machines (SVM)
Decision Trees and Random Forests
Fuzzy Logic and Gradient Descent
Recommendation Systems
Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
Educa PHAROS is a training solution for businesses that centralizes learning, simplifies user management, and allows progress to be tracked through dashboards and reports.
It is designed for organizations that want to develop internal skills, standardize role-based training, and have traceability and learning metrics.
It includes learning paths by profile, user and permission management, progress reports, certification, and access to masterclasses or live sessions (depending on the plan).
It is based on best practices in security, access control, learning tracking, and implementation support. Customize this text according to your commitments (SLA, compliance, etc.).
Educa PHAROS is a next-generation training model that places a company’s human capital at the forefront. Through a platform that adapts to each company’s corporate image and offers a total of more than 900 courses, it provides training tailored to each organization’s specific needs. The unlimited flat-rate plan provides each company with the number of courses that best suits its needs, as well as the ability to determine which employees will have access.
Digital Transformation and Smart Infrastructure 
Spanish 
Credits: 60 ECTS
Leadership and Management 
Spanish
60 ECTS