Contacta por Whatsapp

Maestría en Data Science y Big Data

Maestría en Data Science y Big Data

En la actualidad, las empresas tienen la necesidad de predecir el comportamiento de las personas con el fin de mejorar la interacción con las mismas. Y por este motivo, han estado almacenando datos que ahora deben ser convertidos en activos digitales de valor. 

Para esa conversión de datos a activos de valor, las nuevas técnicas de Big Data son fundamentales pues permiten una gestión masiva de datos eficiente. Además, los algoritmos de Machine Learning permiten tomar esos datos e inferir el comportamiento de las personas con una contundente probabilidad de acierto.

Con la Maestría en Data Science y Big Data aprenderás a utilizar las técnicas y herramientas más importantes para manejar grandes volúmenes de datos y, además, conocerás y sabrás aplicar todos los algoritmos de Machine Learning así como su uso a través de Redes Neuronales para su aplicación en entornos reales.

Doble titulación: Master europeo de IEBS (Escuela Online nº1) + Título oficial por la SEP

La figura del Data Science es un perfil altamente demandado en cualquier empresa debido a la necesidad de las organización de entender los datos recolectados y convertirlos en activos digitales de valor. Es por esto que hemos diseñado la Maestría en Data Science y Big Data. 

Con este programa conseguirás una formación y dominio de todas las áreas básicas de la ciencia de datos aplicada. Aprenderás a diseñar, desarrollar, analizar y comprender de manera afinada, planes y proyectos guiados por los datos en diversos contextos. Por otro lado, los fundamentos del Machine Learning y los distintos tipos de algoritmos más usados dentro del aprendizaje supervisado y no supervisado, así como su aplicación en entornos reales.

Doble titulación: Master europeo de IEBS (Escuela Online nº1) + Título oficial por la SEP

Al finalizar la Maestría en Data Science y Big Data serás capaz de:

  • Conocer las técnicas más actuales del procesamiento paralelo en entornos Big Data
  • Adquirir  los conocimientos necesarios de programación sobre Python, R y entornos de almacenamiento para poder operar con datos masivos
  • Aprender los fundamentos del Machine Learning y los tipos de algoritmos más utilizados dentro del Aprendizaje Supervisado y No Supervisado, así como su aplicación en entornos reales
  • Conocer los distintos tipos de redes neuronales y sus usos más habituales en entornos reales

Internacionalización
Nuestros alumnos tienen la oportunidad de trabajar un programa muy innovador en la mejor escuela online de España, en asociación con Universidades Mexicanas que proporcionan la oficialidad del título.

Titulaciones 
> Título oficial con RVOE certificado por la SEP
> Título propio europeo de IEBS emitido por tecnología Blockchain

Modelo educativo 
Fomentamos el aprendizaje social y colaborativo, donde los alumnos tienen que aprender a aprender y aprenden a partir de la observación, la experiencia que consiguen obtener a partir de la resolución de casos reales o simulados- “learning by doing”- conjuntamente con sus compañeros y profesores. La transmisión de conocimiento es multidireccional.

Liderazgo en educación online
IEBS está catalogada como la mejor escuela de negocios online en España por el ranking webometric del CSIC y como la segunda escuela de negocios online en Iberoamérica por el ranking Iberoamericano de Escuelas de Negocios.

Flexibilidad
Esta maestría se ofrece en modalidad en línea, lo cual permite al alumno decidir el tiempo y lugar de estudio, facilitando su avance académico y logrando mantener un equilibrio con sus actividades laborales y familiares.

Experiencia educativa multicultural
Trabaja con profesores y compañeros localizados en diferentes regiones geográficas y que laboran en organizaciones del sector privado, público.

Networking
Acceso a redes de comunicación, colaboración y aprendizaje, entre estudiantes, profesores y especialistas de diversas partes del mundo y asociaciones de egresados.

Atención especializada
Especialistas que acompañan al alumno durante su aprendizaje: Profesor titular, Profesor tutor y Centro de atención a alumnos.

Akademus
Acceso a nuestra plataforma de microlearning con webinar y masterclass live ilimitados, seminarios con profesor y certificado.

Biblioteca Digital
Acceso a más de 150 Recursos, Guías, eBooks, Plantillas, Estudios y Herramientas.

La Maestría en Data Science y Big Data se orienta a los siguientes perfiles:

  • Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
  • Profesionales vinculados fuertemente con la tecnología que tengan por objetivo la especialización en Big Data y Machine Learning
  • Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
  • Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
  • Estadísticos y Matemáticos que quieran desarrollar su carrera en el mundo del Científico de Datos para Marketing

La estructura de la Maestría en Data Science y Big Data:

Cuatrimestre 1:

Módulo 1. Introducción a los lenguajes de programación

  • Fundamentos de Python
  • Python avanzado
  • Fundamentos de R

Módulo 2. Matemáticas y estadística en el tratamiento de datos

  • Matemática analítica
  • Estadística descriptiva
  • Estadística inferencial

Módulo 3. Sistemas y servicios de Almacenamiento

  • Bases de Datos Relacionales. Fundamentos de SQL y Queries.
  • Bases de Datos NOSQL
  • Sistemas de almacenamiento en la nube pública. Reporting Services

Módulo 4. Entornos Datawarehouse

  • Tipos y arquitectura de un Data Warehouse vs Data Lake
  • Fundamentos de Azure. Azure Data
  • Fundamentos de AWS

Cuatrimestre 2:

Módulo 5. Entorno Distribuido para Big Data

  • Fundamentos y herramientas del ecosistema Hadoop
  • El modelo MapReduce de procesamiento
  • Sistema de ficheros distribuidos HDFS

Módulo 6. Arquitecturas distribuidas Big Data

  • Arquitectura Batch y Streaming. Arquitectura Lambda
  • Gestión de recursos: YARN
  • Herramientas del ecosistema Hadoop: Hive

Módulo 7. Procesamiento de datos a gran escala: Spark

  • Configuración y MapReduce en Spark
  • PySpark: Creación BD, SparkContext, Spark streaming
  • PYSpark: Programando con RDDs

Módulo 8. Otras acciones de procesamiento de datos

  • Web Scrapping
  • Text mining: limpieza texto, TF-Idf, wordcloud
  • Visualización de datos

Cuatrimestre 3:

Módulo 9. Fundamentos de IA y Machine Learning

  • Introducción a la IA y Machine Learning
  • Algoritmos de regresión. Evaluación y métricas
  • Ecosistemas de Machine Learning en la nube

Módulo 10. Aprendizaje supervisado I

  • Clasificación binaria, multiclase y métricas. Curva ROC
  • Clasificación con Naive Bayes
  • Clasificación con Support Vector Machine (SVM)

Módulo 11. Aprendezaje supervisado II

  • Regresión y clasificación con árboles de decisión
  • Combinación de clasificadores: Boostrapping, bagging y boosting
  • Regresión y clasificación con random forests

Módulo 12. Aprendizaje NO Supervisado

  • Reducción de dimensionalidad en los datos: PCA
  • Algoritmos de agrupamiento: Kmedias y jerárquico
  • Técnicas de detección de anomalías

Cuatrimestre 4:

Módulo 13. Redes neuronales y deep learning

  • Entrenamiento: Gradient descent, SGD, Backpropagation
  • Frameworks de Deep Learning: TensorFlow
  • Unidad activación, met. inicialización, optimizadores, met. regularización

Módulo 14. Redes Neuronales Convolucionales (CNNs)

  • Fundamentos de las CNNs: kernels, convolución, pooling, etc.
  • Modelos pre-entrenados: Transfer Learning y Fine-Tuning
  • Deep Learning en producción

Módulo 15. Sistemas de recomendación

  • Personalización guiada por IA y datos. Filtrado colaborativo
  • Recomendaciones basadas en contenido, contexto e híbridas
  • Aplicaciones, tendencias y retos de los sistemas de recomendación

Módulo 16. Procesamiento del Lenguaje Natural

  • Modelos lógicos de PLN
  • Modelos Probabilísticos de PLN
  • Uso de la PLN

Proyecto de Fin de Maestría

*El temario y las masterclass podrán sufrir modificaciones motivadas por la actualización y mejora de los mismos.

La estructura de la Maestría en Data Science y Big Data:

Cuatrimestre 1:

Módulo 1. Introducción a los lenguajes de programación

  • Fundamentos de Python
  • Python avanzado
  • Fundamentos de R

Módulo 2. Matemáticas y estadística en el tratamiento de datos

  • Matemática analítica
  • Estadística descriptiva
  • Estadística inferencial

Módulo 3. Sistemas y servicios de Almacenamiento

  • Bases de Datos Relacionales. Fundamentos de SQL y Queries.
  • Bases de Datos NOSQL
  • Sistemas de almacenamiento en la nube pública. Reporting Services

Módulo 4. Entornos Datawarehouse

  • Tipos y arquitectura de un Data Warehouse vs Data Lake
  • Fundamentos de Azure. Azure Data
  • Fundamentos de AWS

Cuatrimestre 2:

Módulo 5. Entorno Distribuido para Big Data

  • Fundamentos y herramientas del ecosistema Hadoop
  • El modelo MapReduce de procesamiento
  • Sistema de ficheros distribuidos HDFS

Módulo 6. Arquitecturas distribuidas Big Data

  • Arquitectura Batch y Streaming. Arquitectura Lambda
  • Gestión de recursos: YARN
  • Herramientas del ecosistema Hadoop: Hive

Módulo 7. Procesamiento de datos a gran escala: Spark

  • Configuración y MapReduce en Spark
  • PySpark: Creación BD, SparkContext, Spark streaming
  • PYSpark: Programando con RDDs

Módulo 8. Otras acciones de procesamiento de datos

  • Web Scrapping
  • Text mining: limpieza texto, TF-Idf, wordcloud
  • Visualización de datos

Cuatrimestre 3:

Módulo 9. Fundamentos de IA y Machine Learning

  • Introducción a la IA y Machine Learning
  • Algoritmos de regresión. Evaluación y métricas
  • Ecosistemas de Machine Learning en la nube

Módulo 10. Aprendizaje supervisado I

  • Clasificación binaria, multiclase y métricas. Curva ROC
  • Clasificación con Naive Bayes
  • Clasificación con Support Vector Machine (SVM)

Módulo 11. Aprendezaje supervisado II

  • Regresión y clasificación con árboles de decisión
  • Combinación de clasificadores: Boostrapping, bagging y boosting
  • Regresión y clasificación con random forests

Módulo 12. Aprendizaje NO Supervisado

  • Reducción de dimensionalidad en los datos: PCA
  • Algoritmos de agrupamiento: Kmedias y jerárquico
  • Técnicas de detección de anomalías

Cuatrimestre 4:

Módulo 13. Redes neuronales y deep learning

  • Entrenamiento: Gradient descent, SGD, Backpropagation
  • Frameworks de Deep Learning: TensorFlow
  • Unidad activación, met. inicialización, optimizadores, met. regularización

Módulo 14. Redes Neuronales Convolucionales (CNNs)

  • Fundamentos de las CNNs: kernels, convolución, pooling, etc.
  • Modelos pre-entrenados: Transfer Learning y Fine-Tuning
  • Deep Learning en producción

Módulo 15. Sistemas de recomendación

  • Personalización guiada por IA y datos. Filtrado colaborativo
  • Recomendaciones basadas en contenido, contexto e híbridas
  • Aplicaciones, tendencias y retos de los sistemas de recomendación

Módulo 16. Procesamiento del Lenguaje Natural

  • Modelos lógicos de PLN
  • Modelos Probabilísticos de PLN
  • Uso de la PLN

Proyecto de Fin de Maestría

*El temario y las masterclass podrán sufrir modificaciones motivadas por la actualización y mejora de los mismos.

Rafael Zambrano López
+

Rafael Zambrano López

Head of Applied Science en Openbank

Paloma Romera Garcia
+

Paloma Romera Garcia

Consultora Senior y Arquitecto de Infraestructuras en IBM

Javier Cózar del Olmo
+

Javier Cózar del Olmo

CTO y Cofundador at Taidy.

Juan José Silva Torres
+

Juan José Silva Torres

Data Director en Ymedia

Álvaro Montero
+

Álvaro Montero

BI & Analytics

Franco Ubber Scapin
+

Franco Ubber Scapin

Data Scientist en Naranja

Cristina Bellerin
+

Cristina Bellerin

IBM Z Client Architect en IBM

Francisco José Cotán López
+

Francisco José Cotán López

DevOps Architect en Axesor

José Cristino Fernández Pérez
+

José Cristino Fernández Pérez

Director de Unidad de Producto

Miguel Rodríguez Asensio
+

Miguel Rodríguez Asensio

Lead Data Scientist en Iberdrola. MSc Big Data Analytics.

Juan Carlos Carrasco Giménez
+

Juan Carlos Carrasco Giménez

Data Scientist - Big Data - Product Manager - Engineering

Becas Profesionales de hasta el 65%

El programa de Becas está dirigido a personas con talento que desean llevar su carrera a otro nivel.

Las Becas, tendrán que ver con el mérito y la necesidad del candidato, con el objetivo de impulsar la capacitación de calidad y desarrollar el talento digital entre interesados que disponen de menores recursos u oportunidades o que forman parte de colectivos de interés como perfiles noveles, profesionales jóvenes, emprendedores, mujeres que quieran formar parte del management digital y colectivos tipificados en riesgo de exclusión social

IUV-IEBS valorará el talento y la capacidad emprendedora del candidato, aunque dará prioridad a las necesidades económicas para la concesión de Becas de hasta el 65%.

¿Quién las puede solicitar?

Podrán solicitar una Beca Profesional todos aquellos candidatos que cumplan las siguientes condiciones:

  • Cumplir los requisitos de admisión del programa y cumplir los requisitos para estudiar una Maestría.
  • Disponer de un buen expediente académico.
  • La experiencia profesional es un valor añadido muy importante.
  • Cumplir los requisitos de mérito y necesidad establecidos.
¿Cómo puedo solicitar una Beca Profesional?

Para solicitar una Beca Profesional, deberás solicitar la admisión de este programa y adjuntar la siguiente información:

  • Las motivaciones por las cuales solicitas la beca.
  • Los méritos por los cuales eres elegible para esta beca.

Si fuera necesario, la escuela podrá solicitar información adicional.

Resumen del programa


MODALIDAD

Online


DURACIÓN

18 meses


INICIO

25/04/2024


PERIODO

Semestral


COLEGIATURA

$ 2,292

(precio titulación incluido)

¿Quieres realizar ahora el proceso de admisión?

Solicitar admisión