TEMARIO
b<>Módulo 1: Máster en Data Science & Analytics
- Introducción: Introducción a MIOTI, iniciación en las plataformas que se van a utilizar durante el programa e iniciación en el curso.
- Python for Beginners: Introducción a la programación y preparación para su aplicación en Data Science.
- Data Science fundamentals: Introducción a conceptos fundamentales de data science. Presentación del marco de referencia general.
- Data Science with Python: Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, SQL, Logs) y no estructuradas (Web, Spark, Cassandra).
- Statistics for Data Science: Repaso de los fundamentos de estadística necesarios para dominar la ciencia de los datos.
- Data Pre-processing: ¿Cómo preprocesar adecuadamente
los datos? Aplicación de filtros, anonimización de datos, selección de atributos, sampling y reducción de dimensionalidad.
- Data Visualization: Herramientas para visualización de datos. Introducción a las técnicas y librerías mas utilizadas.
- Predictive Analytics: Introducción al análisis de series temporales, revisión de los mejores algoritmos disponibles. Desarrollo de casos de uso de detección de anomalías y predicción de series.
- Machine Learning: Introducción a los problemas de clasificación y clusterización. Construcción de data sets y evaluación de resultados.
- Machine Learning II: Revisión de los principales algoritmos de aprendizaje supervisado bayes , vectores de
soporte, regresiones, y no supervisado y su aplicación.
- Entrepreneurship: Entendimiento de los nuevos modelos de negocio basados en Data Science que están surgiendo en el sector empresarial e industrial, y las técnicas para implementar ideas basadas en esta tecnología.
- Deep Learning: Introducción de conceptos fundamentales de las redes neuronales profundas. Recorrido teórico práctico, aprender a utilizar las herramientas más importantes y a implementar soluciones desde cero.antagónicos) para la gestión de datos.
- Computer Vision: Introducción a conceptos fundamentales de las técnicas de Visión por Computadora (Computer Vision). Recorrido teórico práctico de las principales técnicas.
- Natural Language Pre-processing: Introducción a conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y máquinas por medio del lenguaje natural. Conocer las interacciones y su aplicación en el campo de inteligencia artificial.
- Entrepreneurship II: Profundizar en los nuevos modelos de negocio basados en data science que están surgiendo en el sector empresarial e industrial, y las técnicas para implementar ideas basadas en esta tecnología.
- Kaggle Challenge: Escogeréis y desarrollaréis un reto para mediros con los mejores profesionales del mundo y así valorar lo que se ha aprendido durante el máster.
- Machine Learning III: Aplicación de redes convolucionales y modelos recurrentes profundos como TensorFlow en aplicaciones prácticas con imágenes. Implementación y diseño de modelos neuronales para la resolución de problemas modelización/clasificación y diseño de GAN (modelos generativos
antagónicos) para la gestión de datos.
- Reinforcement Learning: Introducción a conceptos del aprendizaje por refuerzo. Conocer las formas de calcular medias y promedios móviles, procesos de decisión de Markov, programación dinámica, diferencia temporal de aprendizaje y métodos de aproximación.
- Big Data for Data Science: Conceptos fundamentales de soluciones Big Data. Arquitecturas de referencia y modelos de adopción con las principales tecnologías actuales incluyendo procesos de ingesta, análisis y visualización de datos en tiempo real.
- New Technologies: Iniciación a Blockchain, Industria 4.0, Internet of Things y Robotics.
- Data Science for Business: Aplicaciones prácticas de la AI para negocio, Algorithm Driven Companies, Skills Transformations, Data Driven Companies.
- Soft Skills: Expertos profesionales darán una clase magistral de como presentar proyectos y skills de oratoria y negociación.
- Project Management: Conocer las fases de desarrollo e implementación de proyectos, identificar aquellos elementos a tener en cuenta para facilitar la ejecución minimizando las incidencias previsibles que se encuentran en este tipo de proyectos.
- Final Project: Desarrollo de un proyecto final para afianzar los conocimientos adquiridos durante el programa.
Prácticas remuneradas incluidas
Con el Máster en Data Science & Analytics pondrás en práctica lo aprendido en clase en empresas como P&G, Mercedes-Benz, Pelayo, Securitas Direct, Ferrovial, Exolum, Janssen o Unlimiteck, entre otras. Tendrás la oportunidad de conocer de primera mano proyectos reales de Data Science mientras rentabilizas tu formación.