No se trata de la formación tradicional, son profesionales de la Inteligencia Artificial & Big Data formando a las futuras generaciones de profesionales
La Maestría en Big Data y Ciencia de Datos de UHE x IMF Smart Education, es un programa de cuarto nivel que dota al profesional de los conocimientos, competencias y herramientas precisas para manejar, analizar e interpretar grandes volúmenes de información necesarios para alcanzar los objetivos de negocio, profesionales especializados que combinen la capacidad analítica y la visión estrategia.
Ingenieros de las tecnologías de la información, ingenieros de otras áreas, licenciados en administración y negocios con experiencia en gestión del dato, economistas, matemáticos, sociólogos, licenciados en servicios de transporte, y cuales quiera otros profesionales que hayan desarrollados labores relacionadas con la gestión o analítica de grandes volúmenes de datos.
1 Fundamentos Big Data
1. Uso de máquinas virtuales y shell de comandos
2. Fundamentos de programación en Python
3. Fundamentos de bases de datos relacionales
4. Fundamentos de tecnologías de internet
5. Compartir datos, código y recursos en repositorios
6. Fundamentos de tratamiento de datos con el stack científico de Python
2Business Intelligence
1. Introducción a la inteligencia de negocio
2. Almacenes de datos y bases de datos analíticas
3. Herramientas de extracción y carga
4. Aplicaciones de inteligencia de negocio
5. Análisis de datos masivos aplicados al negocio
6. Inteligencia de cliente (CRM)
3Analítica de datos y modelos de aprendizaje automático aplicados a Big Data
1. Introducción al aprendizaje automático
2. Modelos supervisados
3. Modelos no supervisados
4. Ingeniería de características y selección de modelos
5. Modelos conexionistas
6. Reglas de asociación y market basket analysis
4Proceso de modelización matemática- PLN
1. Introducción histórica y tecnológica
2. Herramientas PLN I: NLTK
3. Herramientas PLN II: INCEpTION y Gate
4. Text mining
5. Otras aplicaciones y técnicas PLN
5Plan de Titulación
1. Diseño e implementación de proyectos con componentes de investigación aplicada y/o de desarrollo.
2. Diseño y redacción de artículos profesionales de alto nivel.
3. Análisis de modelos prácticos para el desarrollo del examen de carácter complexivo.
6 Análisis de datos para la toma de decisiones empresariales
1. Introducción al business intelligence
2. BI vs. reporting tradicional
3. Fundamentos tecnológicos para el tratamiento y análisis de datos
4. Fundamentos de visualización de datos
5. Visualización avanzada de datos
6. Herramientas de visualización
7 Arquitectura y soluciones de Big Data
1. Procesamiento de datos con Hadoop
2. Herramientas del ecosistema Hadoop
3. Procesamiento de datos con Spar
4. Arquitecturas de streaming
5. Componentes de arquitecturas en streaming
6. Plataformas y API en la nube
8 Bases de datos para entornos analíticos
1. Bases de datos no convencionales
2. Modelos de base de datos basados en documentos
3. Modelos de base de datos orientados a columnas
4. Modelos de base de datos orientados a grafos
5. Modelos de bases de datos clave-valor
6. Adquisición de datos
9 Modelamiento y explotación de datos mediante Big Data
1. El business case de big data
2. Proyectos de big data
3. Aplicaciones analíticas por sectores
4. Tecnologías emergentes en analítica
5. Gestión de equipos y métodos ágiles
6. Aspectos regulatorios del tratamiento de datos
10Casos y Tópicos de Big Data
1. Caso de analítica escalable. Análisis con tecnologías de computación paralela y escalable
2. Caso de estudio de analítica en redes sociales
3. Caso de estudio en internet of things
4. Caso de estudio en analítica financiera (el rating de empresas)
5. Caso de estudio en analítica de clientes: location analytics
6. Caso de estudio de técnicas de recuperación de información
11 Deontología profesional
1. Visión humanista del uso de la Ciencia de Datos.
2. Ética y servicio al bien común.
3. Responsabilidad profesional.
CURSOS
Iniciación a Python
1. Introducción a Python
2. Condicionales en Python
3. Estructuras repetitivas en Python
4. Colecciones. Listas
5. Funciones de cadenas
6. Colecciones. Diccionarios
7. Funciones
8. Manejo de ficheros
9. Orientación a objetos
Iniciación a R
1. Introducción a R
2. Vectores
3. Matrices
4. Listas
5. Data Frames
6. Estructuras de control
7. Funciones
Metodologías ágiles. Scrum
1. Qué es Scrum y cómo aplicarlo
2. El marco Scrum
3. Equipos autoorganizados
4. El papel de clientes y stakeholder
5. Gestión ágil de productos y proyectos
6. Desarrollo e integración continua
7. Cómo evolucionar hacia una organización ágil
Maestría en Big Data y Ciencia de DatoseS
Es necesario presentar Titulación Universitaria de tercer nivel