Experto, Especialista y Máster en Big Data y Data Science - Aplicado a la Economía y la Administración y Dirección de Empresas

MÓDULO 1: Data Science y Big Data. La Nueva Realidad (Créditos: 5)1. Introducción
2. Contextualización del Tema. Conceptos Claves
2.1. Contextualización2.2. Conceptos Claves
3. Minería de Datos o Data Mining
3.1. Modelos SEMMA Y CRISP-DM3.2. Principales Métodos y Algoritmos en la Minería de Datos
4. Big Data
4.1. Desafíos4.2. Aplicaciones4.3. Principales Herramientas (Hadoop y Spark)
5. Programas de Software más Utilizados
5.1. R y RStudio5.2. Weka5.3. Introducción al lenguaje de programación Python5.4. El programa IBM SPSS Statistics: Conexión con R y Python5.5. Otro software: SQL, Julia, Scala
MÓDULO 2: Herramientas Big data (Créditos: 5)1. Introducción a Linux
1.1. Comandos básicos1.2. Introducción a cómo programar en la shell1.3. Cómo usar Linux para manipular y analizar ficheros de gran tamaño
2. El BigData en el Contexto del Machine Learning a Gran Escala
3. Limitaciones Teóricas de las Bases de Datos Relacionales
4. Escalado Vertical vs. Escalado Horizontal
5. Estrategias de computación distribuida y en paralelo
6. Arquitectura de la Solución Machine Learning para BigData
6.1. Capa de Ingesta de Datos6.2. Capa de Ingestión6.3. Capa de Almacenamiento (Hadoop Storage)6.4. Plataforma Hadoop – Capa de Procesamiento6.5. Capa Analítica6.6. La Capa de Consumo6.7. La Capa de Seguridad y Monitorización
7. Hadoop 2.x
7.1. Componentes del Ecosistema Hadoop7.2. Distribuciones Hadoop y Proveedores
8. Soluciones y Librerías Machine Learning
9. Herramientas Machine Learning una Visión General
9.1. Apache Mahout9.2. Julia9.3. Python9.4. Apache Spark9.5. H2O
10. Paquetes Avanzados de R
11. Nociones Básicas Sobre Legislación en materia de protección de datos Personales
11.1. Ámbito de Aplicación11.2. Conceptos Básicos11.3. Principios11.4. Derechos de las Personas11.5. Obligaciones del Responsable del Tratamiento

MÓDULO 3: Análisis de Datos Multivariantes I (Créditos: 5)1. Modelo Lineal General
1.1. Modelo de Regresión Lineal1.2. Extensiones al modelo de Regresión Lineal1.3. Modelos con variables cualitativas explicativas1.4. Modelos ANCOVA1.5. Modelos con variable dependiente multivariante: MANOVA y MANCOVA1.6. Estimación por máxima verosimilitud restringida (REML) en modelos mixtos1.7. Ajuste de modelos mixtos con R
2. Modelo Lineal Generalizado
2.1. Formulación general.2.2. Modelos con variables cualitativas endógenas2.3. Modelo Tobit
3. Evaluación de modelos
3.1. Devianza. Estadístico G2 de Wilks de razón de verosimilitudes3.2. Estadístico χ2 de Pearson3.3. Criterio de información de Akaike (AIC) y Criterio de Información Bayesiano (BIC)3.4. Prueba de Hosmer-Lemeshaw3.5. Medidas tipo R2
4. Otros modelos de regresión
4.1. Estimación Curvilínea4.2. Regresión Ridge4.3. Regresión Robusta4.4. Regresión Bayesiana4.5. Regresión no paramétrica: Splines4.6. Modelo Aditivo Generalizado
5. Casos prácticos
MÓDULO 4: Análisis de Datos Multivariantes II (Créditos: 5)1. Medidas de distancia/proximidad
1.1. Medidas de distancia o disimilaridad1.2. Medidas de proximidad o similaridad1.3. Distancia de Mahalanobis
2. Reducción de dimensiones
2.1. Análisis Factorial y Componentes Principales2.2. Análisis de Correspondencias
3. Agrupamiento de la información
3.1. Análisis discriminante3.2. Análisis cluster
4. Análisis de correlación canónica
5. Casos prácticos
MÓDULO 5: Minería de Datos I (Créditos: 5)1. Introducción a la Minería de Datos
2. Evaluación de modelos
2.1. Muestras de entrenamiento, validación y test 2.2. Validación cruzada2.3. Métodos basados en métricas2.4. Métodos basados en curvas ROC2.5. Métodos que incorporan una matriz de costes2.6. Evaluación de algoritmos
3. Combinación de Modelos. Métodos de Ensemble. Multiclasificadores
3.1. BAGGING3.2. BOOSTING3.3. DECORATE3.4. Fusión de clasificadores3.5. Métodos híbridos
4. Árboles de Decisión y Clasificación
4.1. Introducción4.2. Aplicabilidad de los árboles de decisión para clasificación4.3. Características de los algoritmos de clasificación4.4. Árbol CHAID (CHi-square Automatic Interaction Detection) y CHAID exhaustivo4.5. Árbol CRT (Classification and Regression Trees)4.6. Árbol QUEST (Quick, Unbiased, Efficient Statistical Tree)4.7. Árbol C5.04.8. Random Forest4.9. Otros algoritmos de clasificación
5. Reglas de asociación
5.1. El algoritmo a priori5.2. Validación de la regla
6. Redes neuronales artificiales
6.1. Introducción6.2. Tipos de modelos de redes neuronales6.3. Unidades de procesamiento de la información6.4. Propiedades de los sistemas neuronales6.5. Perceptrón multicapa6.6. Funciones de base radial6.7. Comparación entre las Funciones de Base Radial y el Perceptrón Multicapa6.8. Análisis de sensibilidad e interpretación de los pesos de la red6.9. Redes neuronales y modelos estadísticos clásicos6.10. Otras arquitecturas de redes neuronales
7. Máquinas de vectores soporte
7.1. Introducción7.2. Máquinas de Vectores Soporte con margen máximo7.3. Máquinas de vectores soporte con margen blando y norma 1 de las variables de holgura7.4. Máquinas de vector soporte con margen máximo en el espacio de las características. Máquinas no lineales de vectores soporte7.5. Funciones kernel7.6. Aplicaciones de las SVM
8. Métodos basados en Vecindad. K Vecinos
9. Casos Prácticos
MÓDULO 6: Análisis de Series Temporales (Créditos: 5)1. Introducción
2. Métodos de suavizado
3. Descomposición temporal
4. Métodos de Predicción
4.1. Métodos paramétricos: modelos ARIMA4.2. Métodos no paramétricos: splines, aproximación por series de Fourier, función núclreo…
5. Clasificación y ordenación
5.1. Cluster jerárquico5.2. Otros algoritmos
6. Casos prácticos
MÓDULO 7: Big Data en el Sector de Seguros (Créditos: 5)1. Relevancia de los datos en el negocio asegurador:
1.1. Fundamentos técnicos del negocio asegurador1.2. Tarificación en seguros de Vida y no Vida
2. Tendencias data-centric disruptivas en la industria aseguradora:
2.1. Tipologías de análisis de datos y Machine Learning2.2. Innovación basada en datos2.3. Internet of Things (IoT)2.4. Artificial Intelligence (AI)
3. Casos reales de aplicación de analítica avanzada en aseguradoras:
3.1. Irrupción del IoT3.2. Suscripción cognitiva3.4. InsurTechs y nuevos modelos de negocio
4. Pricing en seguros (práctica con R y H2O):
4.1. Modelos de supervivencia4.2. GLM en tarificación no Vida
MÓDULO 8: Minería de Datos II (Créditos: 5)1. Introducción a los Métodos Bayesianos
2. Teorema de Bayes e hipótesis MAP
3. Clasificador Naïve Bayes
4. Redes bayesianas
4.1. Definición formal4.2. Independencia condicional4.3. Inferencia o propagación del conocimiento en la Red Bayesiana4.4. Aprendizaje en las Redes Bayesianas4.5. Métricas de evaluación4.6. Algoritmos de búsqueda y aprendizaje4.7. Algoritmos basados en test de independencia4.8. Clasificadores basados en Redes Bayesianas4.9. Tipos de Redes Bayesianas4.10. Ejemplo de Redes Bayesianas con WEKA
5. Algoritmos evolutivos
5.1. Introducción5.2. Condiciones para la aplicación de los Algoritmos Genéticos5.3. Ventajas e inconvenientes5.4. Fundamentos teóricos (conceptos)5.5. Selección de atributos con Algoritmos Genéticos5.6. Conclusiones5.7. Selección de variables a través de algoritmos genéticos con WEKA
6. Lógica Difusa
6.1. Historia6.2. Aplicaciones6.3. Definición y principales conceptos6.4. Características6.5. Etapas6.6. Conjuntos difusos6.7. Variables lingüísticas6.8. Función de pertenencia o membresía6.9. Operaciones en sets difusos6.10. Complementos difusos, t-normas y t-conormas6.11. Inferencia usando lógica difusa6.12. Modelos (mecanismos) de inferencia difusa6.13. Modelamiento difuso6.14. Modelamiento difuso con R
7. Métodos de Gradient Boosting
7.1. Introducción7.2. Metodología7.3. Diseño de un Gradient Boosting Machine7.4. Regularización del modelo7.5. Influencia de las variables7.6. Librerías de R para los modelos de GBM
8. Deep Learning
8.1. Introducción8.2. Revisión de Redes Neuronales8.3. Redes Neuronales Convolucionales8.4. Autoencoders8.5. Redes Neuronales recurrentes8.6. Modelos de secuencias
MÓDULO 9: Text Mining y Web Mining (Créditos: 5)1. Definición de conceptos: Text Mining y Web Mining
1.1. Minería de Textos/Text Mining1.2. Minería de la Web/Web Mining
2. Presentación de documentos: Fundamentos
2.1. Modelos vectoriales2.2. Recuperación de información2.3. Clasificación de documentos2.4. Clustering de documentos2.5. Web Content, Structure y Usage Mining
3. Representación de documentos: Antecedentes y estado de la cuestión
3.1. Modelo de espacio vectorial3.2. Funciones de pesado3.3. Representaciones distribuídas (word embeddings)3.4. Funciones de ranking
4. Análisis lingüístico
4.1. Análisis léxico4.2. Eliminanción de stop-words4.3. Lematización y truncado (stemming)4.4. Etiquetado gramatical (Part-of-Speech tagging)4.5. Análisis sintáctico superficial (Shallow parsing)
5. Análisis de sentimientos
5.1. Enfoques basados en lexicones5.2. Enfoques basados en Aprendizaje Automático
MÓDULO 10: La Transformación Digital en el Sector Financiero (Créditos: 5)1. Las nuevas tecnologías aplicadas al sector financiero
1.1. Big Data como paradigma de los datos en la banca y el sector financiero: Empresas data-driven1.2. Cloud Computing1.3. Ominicanalidad1.4. Medios de pago1.5. Nuevos modelos de negocio digitales en el sector bancario
2. La Banca Digital
2.1. Fundamentos de la Banca Digital2.2. Creación de una cultura digital2.3. Retos de la Banca Digital
3. Impacto de las Fintech en el sector financiero
3.1. Innovación y transformación de la cultura empresarial en el mundo digital3.2. Ecosistema Fintech. Actores e implicaciones para el sector financiero3.3. Las startups fintech3.4. Casos de éxito y fracaso
4. Crowdfunding y Crowdlending
4.1. La financiación en la empresa. Oportunidades en el contexto de la economía colaborativa4.2. Crowdfunding4.3. Equity crowdfunding4.4. Crowdlending4.5. Aspectos regulatorios
5. Aplicaciones de Big Data y Data Science en servicios financieros
5.1. Credit Scoring5.2. Detección del fraude5.3. Experiencia del cliente
MÓDULO 11: Turismo y Smart Cities (Créditos: 5)1. Introducción
2. Turismo y Smart Cities (I)
2.1. Definiciones2.2. ¿Cómo se relacionan Turismo, Smart Cities, Movilidad Y Consumo?2.3. ¿Cómo describimos el comportamiento?2.4. Familiaricémonos con las variables. Algunos datos sobre el Turismo y las Smart Cities2.5. Datos Smart Cities
3. Turismo y Smart Cities (II)
3.1. El comportamiento turístico3.2. El gasto del turismo de No Residentes. EGATUR3.3. El tratamiento convencional del gasto turístico. EGATUR3.4. Algunas preguntas sobre el gasto turístico. Discusión de líneas de investigación basadas en patrones situacionales.
4. Turismo y Smart Cities (III)
4.1. La promoción y la regulación del Turismo. El enfoque de las Smart Cities4.2. Datos a tener en cuenta. Flujos de personas y flujos monetarios. Patrones de comportamiento e impacto. Elementos para un mapa de coyuntura turística4.3. Un modelo de diferencias de potencial y un modelo reproductivo, aplicados a los flujos turísticos4.4. Algunas preguntas sobre la promoción y la regulación del turismo. Discusión de líneas de investigación
5. Turismo y Smart Cities (IV)
5.1. APP móviles de consumo turístico5.2. Algunas preguntas sobre APP turísticas5.3. Ensayo de diseño de una APP orientada a la producción masiva de datos turísticos5.4. Una matriz de situación de una red de Smart Cities en el mercado turístico. Líneas de actuación inteligente con datos
MÓDULO 12: La Revolución del Big Data en el Transporte (Créditos: 5)1. La Importancia del Transporte en Nuestra Sociedad
1.1. Transporte y desarrollo: el concepto de accesibilidad1.2. El Papel del Transporte en la Distribución Espacial de Actividades1.3. Impactos del Transporte en la Sociedad y el Medio Ambiente1.4. Los Grandes Retos del Transporte
2. La Revolución de los Datos: Impacto en el Sistema de Transporte
2.1. Los Medios Tradicionales de Obtención de Datos de Movilidad: Encuestas y Estadísticas2.2. Las Nuevas Fuentes de Datos2.3. Retos y Oportunidades de las Nuevas Fuentes de Datos
3. Modelos Predictivos de Planificación del Transporte
3.1. Modelos de Transporte3.2. Modelos LUTI3.3. Aportaciones de los Sistemas de Información Geográfica3.4. Recursos en R
4. El Impacto del Big Data en la Movilidad Urbana e Interurbana
4.1. Nuevos Modelos de Negocio4.2. Cambios en el Comportamiento de los Ciudadanos4.3. Hacia una Mejor Planificación de lo Público
5. Oportunidades para el Sector Logístico
5.1. Detección de Fraude5.2. Cooperación para la Intermodalidad del Transporte de Mercancías
MÓDULO 13: Publicidad Digital Aplicada a los Negocios (Créditos: 5)1. La Comunicación Digital
1.1. Internet y la Empresa1.2. La Web del Usuario como Fuente de Datos en Marketing1.3. Diferenciación y Posicionamiento en la Web1.4. Casos Prácticos
2. Marketing Directo
2.1. Introducción2.2. Nuevas Herramientas2.3. Marketing de Relaciones2.4. Casos Prácticos
3. Marketing Y Las Nuevas Tecnologías
3.1. Marketing Móvil3.2. Marketing Integrado3.3. Experiencia de Usuario3.4. Casos Prácticos
4. Plan De Marketing
4.1. Planificación Estratégica de Marketing4.2. Caso Práctico
MÓDULO 14: Sector Público y Sanidad (Créditos: 5)1. Aplicaciones del Big Data en la Estadística Oficial
1.1. Introducción: De la estadística 1.0 a la estadística 4.01.2. Big Data y su aportación a la estadística oficial mediante el estudio de la huella digital de la actividad humana1.3. El Big data en el contexto del sistema estadístico internacional1.4. El Big data en el contexto del sistema estadístico nacional1.5. Big Data y estadística oficial: Retos que plantea1.6. Algunos ejemplos de uso
2. Big Data en Ciencias de la Salud
2.1. Utilidades y retos del Big Data en la práctica clínica2.2. Fuentes de datos en aplicaciones clínicas2.3. Procesado de datos clínicos. Etapas y métricas de rendimiento diagnóstico2.4. Análisis de casos de uso
3. Herramientas de Big Data aplicadas a la medicina
3.1. Ayuda al diagnóstico mediante redes neuronales3.2. Combinación de expertos mediante ensemble learning3.3. Deep learning en aplicaciones clínicas3.4. Análisis de casos de uso
MÓDULO 15: Normativa de Protección de Datos (Créditos: 5)1. Introducción
1.1. Objeto1.2. Ámbito de aplicación1.3. Definiciones
2. Principios relativos
2.1. Licitud del tratamiento2.2. Consentimiento2.3. Otros tratamientos
3. Derechos del interesado
3.1. Transparencia3.2. Información y acceso a los datos personales3.3. Rectificación y supresión3.4. Limitación al tratamiento3.5. Portabilidad3.6. Oposición y decisiones individuales automatizadas
4. Responsable y encargado del tratamiento
4.1. Responsabilidad del responsable del tratamiento4.2. Encargado del tratamiento4.3. Registro de las actividades de tratamiento4.4. Transferencias internacionales4.5. Cooperación con la autoridad de control
5. Responsabilidad proactiva
5.1. Protección de datos desde el diseño y por defecto5.2. Delegado de protección de datos5.3. Códigos de conducta y certificación5.4. Análisis de riesgos y evaluaciones de impacto5.5. Seguridad
MÓDULO 16: TRABAJO FIN DE MASTER (Créditos: 10)Aquellos estudiantes que cursen el Máster y hayan alcanzado 50 créditos, los últimos 10 créditos para la consecución del título se obtendrán con la elaboración de un trabajo final obligatorio.