Máster en Análisis de Datos y Estrategias de Negocio

MÓDULO 1. BIG DATA & BUSINESS INTELLIGENCE FUNDAMENTALS UNIDAD DIDÁCTICA 1. LA REVOLUCIÓN DE LOS DATOS MASIVOS: BIG DATA Y THICK DATA ¿Qué es Big Data? ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos? El gran auge del big data La importancia de almacenar y extraer información ¿Cual es el papel de las fuentes de datos? Soluciones novedosas gracias a la selección de datos Naturaleza de las fuentes de datos Big Data UNIDAD DIDÁCTICA 2. TOMA DE DECISIONES INTELIGENTES Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos Fases en un proyecto de Big Data Big Data enfocado a los negocios Apoyo del Big Data en el proceso de toma de decisiones Toma de decisiones operativas UNIDAD DIDÁCTICA 3. CÓMO HACER CRECER UN NEGOCIO A TRAVÉS DEL BIG DATA Y SUS APLICACIONES Marketing estratégico y Big Data Open data Ejemplo de uso de Open Data IoT (Internet of Things-Internet de las cosas) UNIDAD DIDÁCTICA 4. BIG DATA EN DIFERENTES SECTORES Relación entre inteligencia artificial y big data IA y Big Data combinados El papel del Big Data en IA Big Data en salud Necesidad de Big Data en la asistencia sanitaria Retos del big data en salud Big Data y People Analytics en RRHH UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN Definiendo el concepto de Business Intelligence y sociedad de la información Arquitectura de una solución Business Intelligence Business Intelligence en los departamentos de la empresa Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual Sistemas Operacionales y Procesos ETL en un sistema de BI Ventajas y Factores de Riesgos del Business Intelligence UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE Cuadros de Mando Integrales (CMI) Sistemas de Soporte a la Decisión (DSS) Sistemas de Información Ejecutiva (EIS) UNIDAD DIDÁCTICA 7. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO Introducción a la minería de datos y el aprendizaje automático Proceso KDD Modelos y Técnicas de Data Mining Áreas de aplicación Minería de Textos y Web Mining Data mining y marketing UNIDAD DIDÁCTICA 8. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL Aproximación al concepto de DataMart Bases de datos OLTP Bases de Datos OLAP MOLAP, ROLAP & HOLAP Herramientas para el desarrollo de cubos OLAP UNIDAD DIDÁCTICA 9. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS Visión General: ¿Por qué DataWarehouse? Estructura y Construcción Fases de implantación Características Data Warehouse en la nube UNIDAD DIDÁCTICA 10. INTERNET DE LAS COSAS Contexto Internet de las Cosas (IoT) ¿Qué es IoT? Elementos que componen el ecosistema IoT Arquitectura IoT Dispositivos y elementos empleados Ejemplos de uso Retos y líneas de trabajo futuras UNIDAD DIDÁCTICA 11. STORYTELLING ¿Qué es el Data Storytelling? Elementos clave del Data Storytelling ¿Por qué es importante el Data Storytelling? ¿Cómo hacer Data Storytelling? UNIDAD DIDÁCTICA 12. ECOSISTEMA HADOOP MÓDULO 2. MINERÍA DE DATOS CON ORANGE UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A ORANGE DATA MINING Qué es orange Data Mining Ventajas de utilizar Orange Data Mining UNIDAD DIDÁCTICA 2. FUNCIONALIDADES DE ORANGE PARA EL ANÁLISIS DE DATOS Carga y preprocesamiento de datos Programación visual Exploración y visualización de datos Modelado predictivo Ingeniería de características UNIDAD DIDÁCTICA 3. FLUJOS DE TRABAJO DE DATOS ORANGE Creación y uso de flujos de trabajo de datos para realizar análisis UNIDAD DIDÁCTICA 4. WIDGETS Y CANALES EN ORANGE DATA MINING Tipos de widgets y sus funciones Conexión de widgets mediante canales Personalización de widgets para obtener resultados específicos UNIDAD DIDÁCTICA 5. CARGA DE DATOS CON ORANGE Importación de datos desde diferentes fuentes Configuración de parámetros de importación Manejo de diferentes formatos de datos Visualización previa de los datos importados UNIDAD DIDÁCTICA 6. ANÁLISIS EXPLORATORIO DE DATOS CON ORANGE Identificación de grupos o clusters de datos Análisis de la jerarquía de los clusters Visualización de la estructura de clusters mediante dendrogramas UNIDAD DIDÁCTICA 7. MODELADO PREDICTIVO CON ORANGE Selección del algoritmo adecuado en función del problema y los datos Entrenamiento y ajuste de los modelos Interpretación de los resultados Evaluación del rendimiento de los modelos predictivos MÓDULO 3. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS ¿Qué es la ciencia de datos? Herramientas necesarias para el científico de datos Data Science & Cloud Computing Aspectos legales en Protección de Datos UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES Introducción El modelo relacional Lenguaje de consulta SQL MySQL Una base de datos relacional UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE ¿Qué es una base de datos NoSQL? Bases de datos Relaciones Vs Bases de datos NoSQL Tipo de Bases de datos NoSQL Teorema de CAP Sistemas de Bases de datos NoSQL UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB ¿Qué es MongoDB? Funcionamiento y uso de MongoDB Primeros pasos con MongoDB: Instalación y shell de comandos UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING ¿Qué es Weka? Técnicas de Data Mining en Weka Interfaces de Weka Selección de atributos UNIDAD DIDÁCTICA 6. PENTAHO Una aproximación a PENTAHO Soluciones que ofrece PENTAHO MongoDB & PENTAHO Hadoop & PENTAHO Weka & PENTAHO UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA Introducción a R ¿Qué necesitas? Tipos de datos Estadística Descriptiva y Predictiva con R Integración de R en Hadoop UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS Obtención y limpieza de los datos (ETL) Inferencia estadística Modelos de regresión Pruebas de hipótesis UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS Inteligencia Analítica de negocios La teoría de grafos y el análisis de redes sociales Presentación de resultados MÓDULO 4. ANÁLISIS DE DATOS CON PYTHON UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS ¿Qué es el análisis de datos? UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB Análisis de datos con NumPy Pandas Matplotlib UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS Cómo usar loc en Pandas Cómo eliminar una columna en Pandas UNIDAD DIDÁCTICA 4. PIVOT TABLES Pivot tables en pandas UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN El grupo de pandas UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES Python Pandas fusionando marcos de datos UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN Matplotlib Seaborn UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING Aprendizaje automático UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA Regresión lineal Regresión logística UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES Estructura de árbol UNIDAD DIDÁCTICA 11. NAIVE BAYES Algoritmo de Naive bayes Tipos de Naive Bayes UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM) Máquinas de vectores soporte (Support Vector Machine-SVM) ¿Cómo funciona SVM? Núcleos SVM Construcción de clasificador en Scikit-learn UNIDAD DIDÁCTICA 13. KNN K-nearest Neighbors (KNN) Implementación de Python del algoritmo KNN UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA) Análisis de componentes principales UNIDAD DIDÁCTICA 15. RANDOM FOREST Algoritmo de Random Forest MÓDULO 5. VISUALIZACIÓN DE DATOS UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS ¿Qué es la visualización de datos? Importancia y herramientas de la visualización de datos Visualización de datos: Principios básicos UNIDAD DIDÁCTICA 2. TABLEAU ¿Qué es Tableau? Usos y aplicaciones Tableau Server UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS) Fundamentos D3 Instalación D3 Funcionamiento D3 SVG Tipos de datos en D3 Diagrama de barras con D3 Diagrama de dispersión con D3 UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO) Visualización de datos Tipologías de gráficos Fuentes de datos Creación de informes UNIDAD DIDÁCTICA 5. QLIKVIEW Instalación y arquitectura Carga de datos Informes Transformación y modelo de datos Análisis de datos UNIDAD DIDÁCTICA 6. POWER BI Introducción a Power BI Instalación de Power BI Modelado de datos Visualización de datos Dashboards Uso compartido de datos UNIDAD DIDÁCTICA 7. CARTO CartoDB ¿Qué es CARTO? Carga y uso de datos. Tipos de análisis Programación de un visor con la librería CARTO.js Uso de ejemplos y ayudas de la documentación de la API MÓDULO 6. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2 UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R Introducción a Gplot El paquete ggplot2 UNIDAD DIDÁCTICA 2. EJES Cambiar títulos de eje Aumentar el espacio entre ejes y títulos de ejes UNIDAD DIDÁCTICA 3. TÍTULOS Añade un título Ajustar la posición de los títulos Use una fuente no tradicional en su título Cambiar espaciado en texto de varias líneas UNIDAD DIDÁCTICA 4. LEYENDAS Trabajando con leyendas Apaga la leyenda Eliminar títulos de leyenda Cambiar la posición de la leyenda UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA Cambiar el color de fondo del panel Cambiar líneas de cuadrícula Cambiar el espaciado de las líneas de cuadrícula Cambiar el color de fondo de la trama UNIDAD DIDÁCTICA 6. MÁRGENES Trabajar con márgenes UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES Trabajar con gráficos de paneles múltiples Crear múltiplos pequeños basados en una variable Permitir que los ejes deambulen libremente Uso facet_wrapcon dos variables Modificar el estilo de los textos de la tira Crear un panel de diferentes parcelas UNIDAD DIDÁCTICA 8. COLORES Trabajar con colores Especificar colores individuales Asignar colores a las variables Variables Cualitativas UNIDAD DIDÁCTICA 9. TEMAS Cambiar el estilo de trazado general Cambiar la fuente de todos los elementos de texto Cambiar el tamaño de todos los elementos de texto Cambiar el tamaño de todos los elementos de línea y rectángulo Crea tu propio tema Actualizar el tema actual UNIDAD DIDÁCTICA 10. LÍNEAS Agregar líneas horizontales o verticales a un gráfico Agregar una línea dentro de un gráfico Agregar líneas curvas y flechas a un gráfico UNIDAD DIDÁCTICA 11. TEXTO Agregue etiquetas Agregar anotaciones de texto Use Markdown y HTML Rendering para anotaciones UNIDAD DIDÁCTICA 12. COORDENADAS Voltear una parcela arreglar un eje Invertir un eje Transformar un eje Circularizar una parcela UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS Alternativas a un diagrama de caja UNIDAD DIDÁCTICA 14. CINTAS Trabajar con cintas (AUC, CI, etc.) UNIDAD DIDÁCTICA 15. SUAVIZADOS Predeterminado: agregar un suavizado LOESS o GAM UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS Trabajar con gráficos interactivos MÓDULO 7. ANALÍTICA WEB UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB ¿Qué es la analítica web? Establecimiento de objetivos y KPIs Métricas principales y avanzadas Objetivos y ventajas de medir Plan de medición UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4 Introducción a Google Analytics 4 Interfaz Métricas y dimensiones Informes básicos Filtros Segmentos Eventos Informes personalizados Comportamiento de los usuarios e interpretación de datos UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER Introducción a GTM Implementación con GTM Medición con GTM Uso de Debug/Preview Mode UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN La atribución Multicanalidad Customer Journey Principales modelos de atribución Modelos de atribución personalizados UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO Planificación del Dashboard Características del Dashboard Introducción a Data Studio Conectores Tipos de gráficos Personalización de informes Elementos de control Dimensiones y métricas Campos Calculados Compartir informes UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO Introducción al SEO Historia de los motores de búsqueda Componentes de un motor de búsqueda Organización de resultados en un motor de búsqueda La importancia del contenido El concepto de autoridad en Internet Campaña SEO UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM Introducción al SEM Principales conceptos en SEM Sistema de pujas y Calidad del anuncio Primer contacto con Google Ads Creación de anuncios con calidad Indicadores clave de rendimiento en SEM UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES Análisis del tráfico en redes sociales Fijar objetivos en redes sociales Facebook Twitter Youtube LinkedIn Tik tok Instagram UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS Usabilidad Mapas de calor Grabaciones de sesiones de usuario Ordenación de tarjetas Test A/B Test multivariante KPI, indicadores clave de rendimiento Cambios a realizar para optimizar una página web UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB Hotjar Microsoft Power BI Google Search Console Matomo Awstats Chartbeat Adobe Analytics UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO ¿Qué son las cookies? Tipos de cookies GDPR Herramientas para manejar el consentimiento de cookies MÓDULO 8. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL) UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Introducción a la inteligencia artificial Historia La importancia de la IA UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL Tipos de inteligencia artificial UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL Algoritmos aplicados a la inteligencia artificial UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA Relación entre inteligencia artificial y big data IA y Big Data combinados El papel del Big Data en IA Tecnologías de IA que se están utilizando con Big Data UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS Sistemas expertos Estructura de un sistema experto Inferencia: Tipos Fases de construcción de un sistema Rendimiento y mejoras Dominios de aplicación Creación de un sistema experto en C# Añadir incertidumbre y probabilidades UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL Futuro de la inteligencia artificial Impacto de la IA en la industria El impacto económico y social global de la IA y su futuro UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING 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 UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING Introducción Algoritmos UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN Introducción Filtrado colaborativo Clusterización Sistemas de recomendación híbridos UNIDAD DIDÁCTICA 10. CLASIFICACIÓN Clasificadores Algoritmos UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING Componentes Aprendizaje UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN Introducción El proceso de paso de DSS a IDSS Casos de aplicación UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW Aprendizaje profundo Entorno de Deep Learning con Python Aprendizaje automático y profundo UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES Redes neuronales Redes profundas y redes poco profundas UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA Perceptrón de una capa y multicapa Ejemplo de perceptrón UNIDAD DIDÁCTICA 16. REDES MULTICAPA Tipos de redes profundas Trabajar con TensorFlow y Python UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE 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 MÓDULO 9. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN ¿Qué es PLN? ¿Qué incluye el PLN? Ejemplos de uso de PLN Futuro del PLN UNIDAD DIDÁCTICA 2. PLN EN PYTHON PLN en Python con la librería NLTK Otras herramientas para PLN UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN Principios del análisis sintáctico Gramática libre de contexto Analizadores sintácticos (Parsers) UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN Aspectos introductorios del análisis semántico Lenguaje semántico para PLN Análisis pragmático UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN Aspectos introductorios Pasos en la extracción de información Ejemplo PLN Ejemplo PLN con entrada de texto en inglés UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT? Aspectos introductorios ¿Qué es un chatbot? ¿Cómo funciona un chatbot? VoiceBots Desafios para los Chatbots UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS Chatbots y el papel de la Inteligencia Artificial (IA) Usos y beneficios de los chatbots Diferencia entre bots, chatbots e IA UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS Áreas de aplicación de Chatbots Desarrollo de un chatbot con ChatterBot y Python Desarrollo de un chatbot para Facebook Messenger con Chatfuel MÓDULO 10. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES La visión artificial: definiciones y aspectos principales UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL Ópticas Iluminación Cámaras Sistemas 3D Sensores Equipos compactos Metodologías para la selección del hardware UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL Algoritmos Software Segmentación e interpretación de imágenes Metodologías para la selección del software UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0 Aplicaciones clásicas: discriminación, detección de fallos… Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO) UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV Descripción general OpenCV Instalación OpenCV para Python en Windows Instalación OpenCV para Python en Linux Anaconda y OpenCV UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS Manejo de archivos Leer una imagen con OpenCV Mostrar imagen con OpenCV Guardar una imagen con OpenCV Operaciones aritméticas en imágenes usando OpenCV Funciones de dibujo UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES Redimensión de imágenes Erosión de imágenes Desenfoque de imágenes Bordeado de imágenes Escala de grises en imágenes UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING NIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR Espacios de color en OpenCV Cambio de espacio de color Filtrado de color Denoising de imágenes en color Visualizar una imagen en diferentes espacios de color UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS Detección de líneas Detección de círculos Detectar esquinas (Método Shi-Tomasi) Detectar esquinas (método Harris) Encontrar círculos y elipses Detección de caras y sonrisas UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO Vecino más cercano (K-Nearest Neighbour) Agrupamiento de K-medias (K-Means Clustering) MÓDULO 11. PROYECTO FIN DE MASTER