Máster en Business Intelligence

Bloque 1. Fundamentos técnicos y programación

• Módulo 1. Bases de datos

  • Unidad didáctica 1. Introducción a las bases de datos.

  • Unidad didáctica 2. Aproximación al modelo relacional (Teoría de conjuntos y lógica de predicados).

  • Unidad didáctica 3. Elementos de un sistema de bases de datos relacionales (Tablas, atributos, tuplas y claves).

  • Unidad didáctica 4. Normalización en bases de datos relacionales (De la 1ª a la 5ª forma normal).

  • Unidad didáctica 5. Operaciones básicas (Selección, proyección, unión, diferencia, producto cartesiano y junta).

  • Unidad didáctica 6. Lenguajes de consulta: sql (Ddl, dml y dcl).

  • Unidad didáctica 7. Desarrollo de transacciones (Concurrencia y recuperación).

  • Unidad didáctica 8. Elementos de seguridad (Autenticación, cifrado y registro).

• Módulo 2. Programación enfocada a objetos con Python

  • Unidad didáctica 1. Nociones esenciales del lenguaje python (Sintaxis, variables, tipos y operadores).

  • Unidad didáctica 2. Estructuras de control (If, else, bucles for/while y excepciones).

  • Unidad didáctica 3. Funciones en python (Parámetros, argumentos y lambda).

  • Unidad didáctica 4. Módulos y paquetes.

  • Unidad didáctica 5. Manejo de archivos (Json, csv y txt).

  • Unidad didáctica 6. Bibliotecas esenciales.

  • Unidad didáctica 7. Programación enfocada a objetos (Clases, herencia, polimorfismo y encapsulamiento).

• Módulo 3. Bases del razonamiento estadístico

  • Unidad didáctica 1. Aproximación conceptual (Probabilidad y espacio muestral).

  • Unidad didáctica 2. Eventos (Simples, compuestos, independientes y exclusivos).

  • Unidad didáctica 3. Espacios de probabilidad y axioma de kolmogorov.

  • Unidad didáctica 4. Probabilidad condicional e independencia (Regla del producto y teorema de bayes).

  • Unidad didáctica 5. Variables aleatorias y funciones de distribución (Acumulativa, densidad y masa).

  • Unidad didáctica 6. Esperanza y varianza (Desviación estándar).

  • Unidad didáctica 7. Distribuciones de probabilidad (Binomial, poisson, geométrica, normal, exponencial y uniforme).

Bloque 2. Ecosistema Big Data y Data Science

• Módulo 4. Fundamentos del Big Data

  • Unidad didáctica 1. Concepto y características (Las V del big data).

  • Unidad didáctica 2. Tipos de datos (Estructurados, no estructurados y semiestructurados).

  • Unidad didáctica 3. Herramientas, transformación y fuentes de datos.

  • Unidad didáctica 4. Almacenamiento nosql (Clave-valor, documental, grafo y columnas).

  • Unidad didáctica 5. Análisis y visualización de datos (Minería y agrupación).

• Módulo 5. Ámbitos de aplicación del Big Data

  • Unidad didáctica 1. Gobernanza pública y empresas.

  • Unidad didáctica 2. Periodismo de datos, deportes y banca.

  • Unidad didáctica 3. Seguros de salud, marketing y publicidad.

• Módulo 6. Data Science

  • Unidad didáctica 1. Definición y ámbito (Toma de decisiones y modelado).

  • Unidad didáctica 2. Herramientas de data science (Jupyter, Tableau, Power BI, Hadoop y Spark).

Bloque 3. Business Intelligence y analítica avanzada

• Módulo 7. Introducción al Business Intelligence

  • Unidad didáctica 1. Aproximación conceptual y enfoque multifacético.

  • Unidad didáctica 2. Rasgos definidores (Agregación multidimensional, kpi, pronóstico y simulación).

• Módulo 8. Arquitectura de Business Intelligence

  • Unidad didáctica 1. Componentes de la arquitectura.

  • Unidad didáctica 2. Herramientas de querying, reporting y análisis.

  • Unidad didáctica 3. Ia y machine learning en business intelligence.

• Módulo 9. Análisis de datos con Python

  • Unidad didáctica 1. Configuración, limpieza y preprocesamiento de datos.

  • Unidad didáctica 2. Bibliotecas científicas (Numpy, Pandas, Matplotlib y Seaborn).

  • Unidad didáctica 3. Automatización e integración con herramientas bi (Power BI y Tableau).

  • Unidad didáctica 4. Aplicación de machine learning (Scikit-learn).

• Módulo 10. Detección y manejo de los Plateau

  • Unidad didáctica 1. Definición y relevancia del plateau en el aprendizaje automático.

  • Unidad didáctica 2. Origen, identificación y causas.

  • Unidad didáctica 3. Métodos de superación (Ajuste de hiperparámetros, ensemble learning y transfer learning).

Bloque 4. Herramientas especializadas y marco legal

• Módulo 11. Herramienta Power BI

  • Unidad didáctica 1. Componentes principales (Power query, pivot y view).

  • Unidad didáctica 2. Importación y visualización de big data.

  • Unidad didáctica 3. Creación de paneles y toma de decisiones.

  • Unidad didáctica 4. Controles avanzados y lenguaje dax.

• Módulo 12. Programación R en Big Data y Business Intelligence

  • Unidad didáctica 1. Definición del lenguaje R.

  • Unidad didáctica 2. Utilización de R para análisis masivos y visualización.

  • Unidad didáctica 3. Creación de informes con R markdown y shiny.

  • Unidad didáctica 4. Machine learning con R.

• Módulo 13. Protección de datos y seguridad

  • Unidad didáctica 1. Introducción al derecho español y protección de datos.

  • Unidad didáctica 2. Marco legal (Real decreto 43/2021).

  • Unidad didáctica 3. Esquema nacional de seguridad.