Master en Data Science and Business Discovery en Madrid en MSMK - Madrid School of Marketing

Dirigido a:

Tirulados universitarios interesados en realizar un Master en Data Science and Business Discovery.

Comentarios:

El Master en Data Science & Business Discovery de MSMK - Madrid School of Marketing e prepara para identificar, recopilar, analizar, interpretar, manejar y visualizar los datos, con el fin de transformarlos en información de valor y generar las oportunidades de negocio e innovación necesarias para que la empresa avance. Leer más

El objetivo es que el participante maneje realmente herramientas analíticas intuitivas, de tal forma que pueda ser capaz de crear informes personalizados y cuadros dinámicos con gran facilidad para explorar amplias cantidades de datos en cualquier tipo de plataforma. Así, se incluyen módulos específicos tecnológicos para que pueda manejarlos.

Una vez finalizado este máster, el participante estará preparado para acceder a profesiones tales como data scientist, business analyst, social media analyst, consultor de BI, CIO, CFO, marketing o customer analyst, fraud detection, risk analyst o strategic consultant, entre otros.

En Madrid School of Marketing además de cursar un programa altamente especializado en Big Data y Analytics, accederás a obtener la “Certificación de SAS Enterprise Miner” y a una Bolsa de Prácticas especializada en el sector.

Lugar de impartición:

en Madrid

Fecha de inicio: Abril y Noviembre.

Leer menos

01. INTRODUCCIÓN

• Introducción al Big Data:

» Conceptos generales.

» Enmarque dentro de las funciones corporativas.

» Ejemplos de casos de uso según sector.

• ¿Qué es un data scientist?

• Metodología de gestión de proyectos de Big Data.

• Uso legal que puede hacerse de los datos.

• Tratamiento, integración y gobierno de los datos corporativos.

• Análisis de calidad de la información: data quality.


02. BIG DATA INSIGHTS - BUSINESS ANALYTICS

INTRODUCCIÓN

• ¿Por qué programamos? La programación del Siglo XXI.

• Posicionamiento SW: SAS, R, Python.

• Introducción a las BBDD estructuradas/SQL.

PROGRAMACIÓN EN R

• Introducción a R:

» Historia.

» Instalación y uso básico (R-Studio).

» Paquetes de R relevantes (Cran).

• Programación básica en R:

» Vectores.

» Matrices.

• Programación avanzada en R:

» Condicionales.

» Bucles.

• Manipulación de datos avanzada:

» Importación y exportación de datos.

• Acceso a BBDD: Oracle / Microsoft SQL Server / MySQL.

• Data gathering con R.

PROGRAMACIÓN EN PYTHON

• Introducción a Python.

• Entorno de desarrollo IPython.

• Librerías relevantes.


03. ESTADÍSTICA

• Fundamentos estadísticos.

» Muestreo.

» La distribución normal y exponencial.

• Estadística I (SAS).

» Estadísticos básicos.

» ANOVA.

» Análisis de regresión lineal simple y múltiple.

» Análisis de residuos.

» Test de independencia.

» Introducción a la regresión logística.

• Forecasting con “R”.

» Series temporales.

» Smoothing model.

» Modelos: ARIMA, ARIMAX, ARCH, GARCH...


04. DATA MINING & MACHINE LEARNING

• Analítica aplicada usando SAS Enterprise Miner (SAS):

» Introducción al data mining.

» Árboles de decisión.

» Regresiones logísticas.

» Redes neuronales (MLP).

» Comparación de modelos y threshold óptimo.

» Corrección del sobreajuste, introducción a las matrices de beneficios/costes.

» Puesta en producción.

» Análisis clúster.

» Market basket analysis.

• Machine learning con R:

» Implementación de modelos predictivos en R (CARET + H20).

• Técnicas avanzadas de machine learning con R:

» Gradient boosting.

» Random forest.

» SVM.

» LARS & LASSO.

» Introducción al deep learning.

• Text mining:

» Introducción: conceptos básicos y metodología.

» Modelos supervisados y no supervisados.


05. VISUALIZACIÓN

• Uso del Data Science en periodismo de datos:

» Elementos a tener en cuenta.

» Recolectar datos.

» Encontrar y contar tu historia.

» Ejemplos de uso: Washington Post, New York Times, The Guardian, El Confidencial.

• Visualizando y comunicando datos en R:

» Gráficos (base, lattice, ggplot2, leaflet, plotly, ggvis...).

» Mapas con R (integración con Google Maps y Open Street Maps).

» Generación de informes con R Markdown.

» Visualizaciones web con R-Shiny.

• Qlik – Taller práctico.

• Tableau – Taller práctico.


06. ARQUITECTURAS BIG DATA

• Arquitectura de Big Data: componentes y casos de uso.

• Introducción a Hadoop y su ecosistema.

• Spark.

• Desarrollo de aplicaciones con Spark.

• Bases de datos NoSQL.

» Procesamiento de información no estructurada con MongoDB.


07. DESARROLLO E INTEGRACIÓN DE UN PROYECTO DE Leer más DATA SCIENCE

Durante el máster, a lo largo de los diferentes módulos, cada alumno irá trabajando en diferentes casos prácticos al tiempo que va desarrollando su Proyecto Final de Máster. Será en este último bloque en el que cada alumno tendrá la oportunidad de aplicar todos los conocimientos adquiridos mediante la aplicación/desarrollo estratégico de la utilización de los datos en un caso para una empresa real. Resulta crítico que el alumno desarrolle su Proyecto Final de Máster de acuerdo a modelos de negocio reales.Leer menos